遥感影像阴影检测及消除理论与方法

超高空间分辨率(VHR)遥感影像中阴影的形成主要是由于光线被物体阻挡，从而降低了地物的光谱亮度。高效的阴影消除方法可以恢复阴影中地物的光谱信息，是遥感影像分析的关键预处理步骤。然而，由于缺乏准确阴影掩膜和无阴影图像的原因，导致VHR影像阴影消除中存在“数据缺陷”。为了获得高精度的阴影掩膜，为阴影消除提供准确的位置信息，因此，阴影检测是至关重要的。本书将详细讲解遥感影像色彩一致性处理算法理论，然后讲解如何基于该方法进行遥感影像阴影检测和消除。并结合当下流行的深度学习前沿技术，讲解基于深度学习的遥感影像阴影检测与消除方法。最终构建一整套遥感影像阴影检测与消除理论与方法，为遥感、计算机等领域科研教学人员提供理论与方法指导。

目录
第1章 绪论1
1.1 阴影检测方法2
1.1.1 基于模型的阴影检测方法2
1.1.2 基于属性的阴影检测方法3
1.1.3 基于深度学习的阴影检测方法4
1.2 阴影去除方法5
1.2.1 基于梯度域的阴影去除方法5
1.2.2 基于强度域的阴影去除方法5
1.2.3 基于深度学习的阴影去除方法6
1.3 阴影检测与去除的解决思路7
1.3.1 遥感影像的阴影检测8
1.3.2 遥感影像的阴影去除8
第2章 阴影检测及去除理论与方法基础10
2.1 遥感影像阴影性质10
2.1.1 阴影的形成10
2.1.2 遥感成像场景下阴影的特性10
2.2 颜色空间模型11
2.2.1 常用颜色空间模型11
2.2.2 常用颜色空间模型的转换12
2.3 图像处理相关理论与算法14
2.3.1 均值漂移图像分割算法14
2.3.2 k均值聚类算法17
2.3.3 奇异值分解原理18
2.3.4 曼哈顿距离计算方法18
2.3.5 边缘检测算法18
2.3.6 特征值与特征向量计算方法19
第3章 基于多通道特征的自适应无监督阴影检测方法20
3.1 基于颜色空间多通道特征设计方案20
3.1.1 基于HIS颜色空间的检测通道模型20
3.1.2 基于多颜色空间的检测通道模型21
3.2 动态局部自适应粒子群优化算法22
3.2.1 动态局部自适应粒子群优化算法原理22
3.2.2 动态局部自适应粒子群优化算法实现23
3.3 自适应蛇群智能优化算法26
3.3.1 自适应蛇群智能优化算法原理26
3.3.2 自适应蛇群智能优化算法实现27
3.4 阴影区域初始检测结果的优化处理29
3.4.1 小连通区剔除29
3.4.2 空洞区域填补30
3.5 阴影区域边界校正31
第4章 基于阴影特征的智能迭代阈值搜索阴影检测方法33
4.1 元启发式智能优化算法33
4.2 特征通道组合设计33
4.2.1 多颜色空间下的阴影特性34
4.2.2 多颜色空间特征通道组合设计34
4.3 智能迭代阈值搜索方法设计37
4.3.1 自适应加权白鲸智能优化方法原理37
4.3.2 自适应加权白鲸智能优化方法流程38
4.4 阴影检测结果优化42
第5章 基于深度学习的细节感知的阴影检测网络43
5.1 基于深度学习的阴影检测模型关键问题43
5.2 上下文细节感知网络总体框架44
5.3 编码器双分支结构46
5.4 上下文语义融合连接策略与残差膨胀模块47
5.5 混合损失函数48
第6章 基于非线性光照迁移的阴影去除方法50
6.1 方向自适应的光照无关特征提取方法50
6.1.1 设计过程50
6.1.2 梯度倒数加权处理51
6.2 基于奇异值的不规则区域匹配53
6.2.1 不规则图像块光学视觉特征矩阵的构建54
6.2.2 阴影区域与非阴影区域的特征匹配55
6.3 非线性光照迁移算法实现阴影去除56
6.3.1 传统光照补偿算法原理56
6.3.2 非线性光照迁移算法推导过程57
6.3.3 两种光照迁移方法的比较58
6.4 多尺度细节融合处理59
6.4.1 高斯差分金字塔模型59
6.4.2 多尺度特征融合过程61
6.5 基于曼哈顿距离的动态边界补偿方法61
6.5.1 动态边界补偿方法原理61
6.5.2 不同边界处理方法的比较63
第7章 基于区域分组匹配的阴影去除方法64
7.1 基于三维颜色空间的不规则区域色彩转移方法64
7.1.1 阴影形成的光照数学模型64
7.1.2 不规则区域的色彩矩阵提取65
7.1.3 三维颜色空间下不规则区域色彩转移方法设计66
7.2 阴影区域初步光照恢复68
7.3 纹理特征提取69
7.4 阴影区域和非阴影区域的内部分组70
7.4.1 图像分割处理70
7.4.2 分割后图像的内部分组71
7.5 基于平均纹理特征向量的分组匹配及阴影区域局部增强73
7.5.1 构造阴影组及光照组的平均纹理特征向量73
7.5.2 阴影组与光照组之间的分组匹配73
7.5.3 阴影区域局部增强75
7.6 顾及空间与值域信息的动态加权边界优化76
7.6.1 “裂痕”边界的常用滤波器处理方法76
7.6.2 动态加权边界优化算法设计78
7.6.3 边界优化前后对比80
第8章 基于深度学习的渐进式阴影去除网络82
8.1 基于深度学习的阴影去除方法关键问题82
8.2 渐进式阴影去除网络总体框架83
8.3 数据预处理84
8.4 阴影预去除子网络85
8.5 先验知识驱动的子网络优化86
8.5.1 基于直方图损失的光谱恢复88
8.5.2 基于特征损失的纹理增强89
8.6 局部特征鉴别器90
第9章 自适应无监督阴影检测与非线性光照迁移阴影去除实验分析91
9.1 实验数据与设置91
9.2 实验评价指标91
9.2.1 阴影检测评价指标91
9.2.2 阴影去除评价指标92
9.3 阴影检测实验结果对比分析93
9.3.1 基于AISD数据集的对比实验分析93
9.3.2 阴影检测方法的鲁棒性及计算效率分析96
9.3.3 阴影检测方法在其他常用开源数据集下的实验分析97
9.4 阴影去除实验结果对比分析98
9.4.1 基于AISD数据集的对比实验分析98
9.4.2 阴影去除效果的三维视图描述101
9.4.3 阴影去除方法在其他常用开源数据集下的实验分析102
9.5 基于城市及植被场景中的阴影检测实验结果比较分析103
9.5.1 城市场景中的阴影检测对比实验分析103
9.5.2 植被场景中的阴影检测对比实验分析109
第10章 智能迭代阈值搜索阴影检测与区域分组匹配阴影去除实验分析112
10.1 实验数据与设置112
10.2 消融实验112
10.3 阴影检测结果对比分析114
10.3.1 阴影检测定性分析114
10.3.2 阴影检测定量分析116
10.3.3 阴影检测性能分析117
10.4 阴影去除实验结果对比分析119
10.4.1 阴影去除结果的定性分析119
10.4.2 阴影去除结果的定量分析121
10.4.3 地表覆盖分类对比123
10.4.4 阴影去除结果三维视图表达125
10.5 边界优化结果实验对比分析126
10.6 其他数据集下的实验分析127
10.6.1 阴影检测方法在其他数据集下的实验分析127
10.6.2 阴影去除方法在其他数据集下的实验分析129
10.6.3 边界优化方法在其他数据集下的实验分析130
第11章 基于深度学习的阴影检测与去除实验分析132
11.1 实验数据132
11.2 实验设置133
11.3 阴影检测实验结果对比分析133
11.4 阴影去除实验结果对比分析135
11.5 阴影检测算法性能分析136
11.5.1 SSAD数据集实验136
11.5.2 泛化性分析138
11.5.3 消融实验139
11.5.4 敏感性分析140
11.5.5 光谱变异性分析142
11.6 阴影去除算法性能分析143
11.6.1 地表覆盖分类对比143
11.6.2 模型泛化性分析150
11.6.3 纹理保持度分析151
11.6.4 消融实验152
第12章 总结154
12.1 基于多通道特征的自适应无监督阴影检测154
12.2 基于阴影特征的智能迭代阈值搜索阴影检测155
12.3 基于深度学习的细节感知阴影检测网络155
12.4 基于非线性光照迁移的阴影去除156
12.5 基于区域分组匹配的阴影去除156
12.6 基于深度学习的渐进式阴影去除网络157
参考文献159