CN105590316A - 面向对象的高分辨率遥感影像阴影提取方法 - Google Patents

Abstract

一种面向对象的高分辨率遥感影像阴影提取方法，它包括以下步骤：步骤一，加载正确几何校正后的高分辨率遥感影像数据；步骤二，对高分辨率遥感影像进行影像分割，得到分割后影像；步骤三，进行主成分变换，并对第一主成分进行归一化处理,得到第一主成分的归一化影像；步骤四，对得到的分割后影像做HIS变换，并对I分量影像进行归一化处理,得到I分量的归一化影像；步骤五，利用阴影检测指数进行阴影检测，获取阴影检测结果影像；步骤六，对阴影检测结果影像进行阈值分割，得到阴影区域。本发明无需先验信息、自动化程度高、鲁棒性和普适性更好，具有对植被、水体、蓝色地物等不敏感的优势，并且提高了遥感影像阴影的提取精度。

Description

面向对象的高分辨率遥感影像阴影提取方法

技术领域

本发明涉及一种遥感影像处理方法，具体地说是一种面向对象的高分辨率遥感影像阴影提取方法，属于遥感影像处理技术领域。

背景技术

随着遥感技术的发展，遥感影像的空间分辨率大大提高，数量级达到了分米级。高分辨率影像数据量大、信息量丰富，使遥感应用在许多全新应用领域，如林业、农业、地质、海洋、气象、军事等。但是，怎样才能更加快速的自动识别以及充分地利用高分辨率遥感影像提供的海量数据也是我们面临的新挑战。比如，由于太阳光线被人工地物、树木、山体等遮挡导致遥感影像常常存在有大片阴影区域；一方面，阴影造成遥感影像信息受损，直接影响相应区域影像匹配、地物识别、边缘提取以及目标变化检测的精度，并且大面积阴影会影响影像的美观；另一方面，阴影本身也可以作为遥感影像的特征之一，如可以作为提取地物的三维信息(高度)的指标之一。因此，阴影检测是阴影去除和阴影利用的前提，提高阴影检测精度具有非常重要的意义。

现有遥感影像阴影检测方法可分为两类：一类是基于光线传播物理性质的方法，该类方法需要光照角度、传感器参数等先验信息建立几何模型来实现阴影检测，但是，这类方法适用性较差、局限性较大，计算复杂度较高、计算量大，所需的先验数据也难以获得。另一类基于阴影的特征(色彩、纹理、形状等)进行阴影检测，该类方法简便易行，但是，由于遥感图像场景复杂且阴影区域的亮度变化区间较大，很难选择一个对不同遥感图像都较稳定的属性，该类方法普适性较差，鲁棒性也较低，对不同图像可能会得到差距较大的检测结果，而且也存在漏检率较高的问题。

目前，阴影检测算法虽然在特定情况下取得了较好的效果，但还存在一些不足之处，归纳如下：

1)现有很多检测算法都需要先验信息，使检测算法计算过程过于复杂，处理结果不稳定，算法自动化程度低。

2)由于绿地、树木、水体、蓝色地物等与阴影有些属性相似，阴影检测算法会误检这类地物为阴影。

3)高分辨遥感影像中地物信息复杂，存在同谱异物和同物异谱的现象，很难选择一种检测算法对不同影像都较稳定，导致检测结果出现严重误分、漏分。

4)由于影像地物信息复杂、算法自身等问题的影响，检测结果中的阴影区域斑点噪声严重，严重影响阴影提取精度。

发明内容

针对现有技术的不足，本发明提出一种面向对象的高分辨率遥感影像阴影提取方法，它无需先验信息，算法结构简单，自动化程度高，能有效去除提取结果中斑点噪声的影响，还具有对植被、水体、蓝色地物等不敏感的优势，并且提取结果具有较高的精度。

本发明解决其技术问题采取的技术方案是：面向对象的高分辨率遥感影像阴影提取方法，所述高分辨率遥感影像采用已经被正确几何校正过的高分辨率遥感影像，其特征是，所述方法包括以下步骤：

步骤一，加载正确几何校正后的高分辨率遥感影像数据；

步骤二，对高分辨率遥感影像进行影像分割，得到分割后影像；

步骤三，对得到的分割后影像进行主成分变换，并对第一主成分影像进行归一化处理,得到第一主成分的归一化影像；

步骤四，对得到的分割后影像做HIS变换，并对I分量影像进行归一化处理,得到I分量的归一化影像；

步骤五，利用阴影检测指数进行阴影检测，获取阴影检测结果影像；

步骤六，对阴影检测结果影像进行阈值分割，得到阴影区域。

优选地，在步骤三中，基于主成分分析从分割后影像中获取第一主成分影像，并根据阴影检测指数的需求对第一主成分影像进行归一化处理。

优选地，在步骤四中，对得到的分割后影像进行HIS变换后获取I分量影像和S分量影像；并根据阴影检测指数的需求对I分量影像进行归一化处理。

优选地，在步骤五中，所述阴影检测指数SDI的表达式为：

$SDI=\frac{(PCA{1}_{nor}-I_{nor})\×(S+n_{con})}{(PCA{1}_{nor}+I_{nor}+S)}---\left(8\right)$

其中，PCA1_nor为第一主成分影像归一化处理的结果，I_nor为HIS彩色空间中I分量影像归一化处理的结果，S为HIS彩色空间中S分量，n_con为常数。

优选地，在步骤六中，结合检测结果影像的直方图信息对阴影检测结果影像进行阈值分割，获取阴影区域。

进一步地，所述步骤二具体包括以下步骤：(1)获取RGB三个波段的影像数据；(2)利用均值漂移分割算法进行影像分割。采用基于均值漂移分割算法进行影像分割，用以实现影像信息的聚类。

进一步地，所述步骤三具体包括以下步骤：(1)获取分割后影像数据；(2)进行主成分分析；(3)获取第一主成分影像数据；(4)对第一主成分影像阴影区域进行采样，确定阴影特征值的正负；(5)对第一主成分影像进行取正或取负处理；(6)对处理后的影像进行归一化处理。

进一步地，所述步骤四具体包括以下步骤：(1)获取分割后影像数据；(2)进行HIS变换；(3)获取I分量影像和S分量影像；(4)对I分量影像进行归一化处理。

进一步地，所述步骤五具体包括以下步骤：(1)获取S分量影像、归一化的第一主成分影像和归一化的I分量影像；(2)利用阴影检测指数对数据进行阴影检测。

进一步地，所述步骤六具体包括以下步骤：(1)获取检测结果影像的直方图信息；(2)对阴影检测结果进行阈值分割，获取阴影区域。

本发明的有益效果如下：

(1)本发明首先对已被正确几何校正后的高分影像进行均值漂移分割，再进行其他阴影提取运算，有效地去除了斑点噪声对提取结果的影响，提高了提取精度。

(2)本发明提出了一种基于主成分变换和HIS变换的高分辨率遥感影像阴影检测指数，在阴影提取中，首先对进行均值漂移分割后的影像进行主成分变换和HIS变换，且要对第一主成分影像和I分量影像进行归一化处理，最后使用构造的阴影检测指数进行阴影检测，通过阈值分割得到阴影区域。本发明利用主成分变换的特征来实现影像数据的降维操作，有效地降低了算法的运算量和算法结构的复杂程度，并提高了算法的自动化程度。本发明充分利用了阴影、植被、水体、蓝色地物等在HIS彩色空间下的性质，简单、有效的区分开高分辨率遥感影像中阴影与非阴影区域，且无需先验信息。

(3)相比现有的高分辨率遥感影像阴影提取方法，根据影像受光照、地物类别比例、传感器等影响的不同，通过调节阴影检测指数中的常数，本发明无需先验信息、自动化程度高、鲁棒性和普适性更好，具有对植被、水体、蓝色地物等不敏感的优势，并且提取结果具有较高的精度。

附图说明

图1为本发明的方法流程图；

图2(a)为RGB三波段影像数据示意图(两景数据中的实验数据一)；

图2(b)为进行均值漂移分割后影像数据示意图；

图3(a)为主成分变换得到各成分影像数据示意图(第一、二、三主成分数据叠加显示)；

图3(b)为第一主成分影像数据示意图；

图4(a)为HIS变换后HIS色彩空间影像示意图；

图4(b)为I分量影像示意图；

图4(c)为S分量影像示意图；

图5为图2(a)中高分辨率遥感影像阴影检测结果示意图；

图6为本发明的整体影像数据计算流程图；

图7为图2(a)中高分辨率遥感影像阴影提取结果示意图；

图8(a)为RGB三波段影像数据示意图(两景数据中的实验数据二)；

图8(b)为图8(a)中高分辨率遥感影像阴影提取结果示意图；

图9(a)为图2(a)中没有进行均值漂移分割的高分辨率遥感影像阴影提取结果示意图；

图9(b)为图8(a)中没有进行均值漂移分割的高分辨率遥感影像阴影提取结果示意图。

具体实施方式

为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。

针对高分辨率遥感影像阴影提取的需要，本发明提供了一种面向对象的高分辨率遥感影像阴影提取方法，尤其提出了一种基于均值漂移算法进行影像分割的方法、一种基于主成分变换和HIS变换的高分辨率遥感影像阴影检测指数，以提高高分辨率遥感影像阴影提取的精度、自动化程度、鲁棒性和普适性，可应用于影像匹配、地物识别、边缘提取、目标变化检测、建筑物三维重建等技术领域。另外，需要特别指出的是，本发明针对高分辨率遥感影像中所有地物进行阴影提取，而不是侧重单种地物的阴影进行提取；本发明中使用的高分辨率遥感影像数据已经被正确几何校正过。

如图1所示，本发明的一种面向对象的高分辨率遥感影像阴影提取方法，所述高分辨率遥感影像采用已经被正确几何校正过的高分辨率遥感影像，所述方法包括以下步骤：

步骤一，加载正确几何校正后的高分辨率遥感影像数据；

步骤二，对高分辨率遥感影像进行影像分割，得到分割后影像；

步骤三，对得到的分割后影像进行主成分变换，并对第一主成分影像进行归一化处理,得到第一主成分的归一化影像；

步骤四，对得到的分割后影像做HIS变换，并对I分量影像进行归一化处理,得到I分量的归一化影像；

步骤五，利用阴影检测指数进行阴影检测，获取阴影检测结果影像；

步骤六，对阴影检测结果影像进行阈值分割，得到阴影区域。

进一步地，所述步骤二具体包括以下步骤：

(1)获取RGB三个波段的高分辨率遥感影像数据

从已经正确几何校正的高分辨率遥感影像数据中获取RGB三个波段的影像数据(如图2(a)所示)作为输入数据。

(2)利用均值漂移分割算法进行影像分割

一幅图像常被表示为带有p维向量的二维网格，当p＝3时代表彩色图像。格网空间作为空间域，同时色彩信息作为颜色域。当空间位置向量与颜色向量一起合为空间－颜色域时，维数d＝p+2。由于二者的相异性，所以需要做适当的规一化处理。因此多维核定义如下：

$K_{h_s,h_r}\left(x\right)=\frac{C}{h_s^2{h}_r^p}k\left(\right|\left|\frac{x^s}{h_s}\right|{|}^2)k\left(\right|\left|\frac{x^r}{h_r}\right|{|}^2)---\left(1\right)$

其中，x^s为特征矢量的空间部分，x^y为特征矢量的颜色部分，K(x)在空间和颜色域中都使用相同的核，h_s，h_r分别为核带宽，C为相应的规一化常数。在实际应用中,Epanechnikov核或正态核都能满足要求。因此，通过控制核带宽参数h＝(h_s，h_r)来决定分割精度。

设x_i，z_i，i＝1，2，...，n分别为在空间和颜色域d维输入、滤波后的影像像元，L_i为分割后经过标注的第i个像素，h_s，h_r，M分别表示空间尺度、色彩尺度、最小区域面积。

本发明采用的均值漂移分割算法的具体步骤为：

①读取影像数据，并将RGB色彩空间转换到LUV特征空间；

②运行均值漂移滤波处理LUV影像，并保存所有在d维空间内z_i处的收敛点，即z_i＝y_i；

③描述基于空间和颜色域的聚类{C_p}_p＝1...m，连接所有空间上小于h_s，颜色域上小于h_r的z_i；

④指派L_i＝{p|z_i∈C_p}，i＝1，2，...，n；

⑤优化：限制各区域空间所包含的像元数不小于M。即排除空间域内含有少于M像素的区域。其中M为最小有意义的特征大小，它控制分割影像中的区域的个数。

均值漂移分割输出的质量受到核带宽h_s，h_r(h_s也称为空间分辨率参数，h_r称为颜色分辨率参数)和最小区域参数M的控制，所以对三个参数的设置是否合理直接控制了分割输出的质量。

进一步地，所述步骤三具体包括以下步骤：

(1)获取分割后影像数据

获取均值漂移分割后影像数据作为输入数据，为主成分变换做准备。

(2)进行主成分变换。通过主成分变换得到各成分影像数据(如图3(a)所示)。

(3)获取第一主成分影像数据(如图3(b)所示)。

(4)对第一主成分影像阴影区域进行采样，确定阴影特征值的正负。

(5)对第一主成分影像进行取正或取负处理。如果阴影区域的第一主成分特征值为正值，则把第一主成分小于0的值赋值为0，大于0的值不变，称为取正；如果阴影区域的第一主成分特征值为负值，则把第一主成分大于0的值赋值为0，小于0的值不变，称为取负。

(6)对处理后影像进行归一化处理

如果阴影区域的第一主成分特征值为正值，则使用以下公式进行归一化处理：

$PCA{1}_{nor}=\frac{PCA{1}_{+}}{\max \left(PCA1\right)}---\left(2\right)$

如果阴影区域的第一主成分特征值为负值，则使用以下公式进行归一化处理：

$PCA{1}_{nor}=\frac{PCA{1}_{-}}{\min \left(PCA1\right)}---\left(3\right)$

在公式(2)和(3)中，PCA1_nor为归一化的第一主成分，PCA1₊与PCA1_-分别为第一主成分取正和取负的结果，max(PCA1)与min(PCA1)分别为第一主成分中最大值和最小值。此时，经过归一化处理第一主成分的特征值取值范围为[0,1]。

进一步地，所述步骤四具体包括以下步骤：

(1)获取分割后影像数据

获取均值漂移分割后影像数据作为输入数据，为HIS变换做准备。

(2)进行HIS变换

图4(a)为变换后的HIS彩色空间影像，HIS彩色空间是从人的视觉系统出发，用色调(Hue)、亮度(Intensity)和饱和度(Saturation)来描述色彩。由于人的视觉对亮度的敏感程度远强于对颜色浓度的敏感程度，因此HIS彩色空间比RGB系统更接近人的日常对色彩的感知。

RGB彩色空间到HIS彩色空间的变换公式如下：

$I=\frac{1}{3}(R+G+B)---\left(4\right)$ $S=1-\frac{3}{(R+G+B)}\[min(R,G,B)\]---\left(5\right)$

其中， $\mathrm{\θ}={\cos }^{-1}\left\{\frac{\frac{1}{2}\[(R-G)+(R-B)\]}{\[(R-G)2+(R-B)(G-B)\]\frac{1}{2}}\right\}.$

(3)获取I分量影像和S分量影像(分别如图4(b)和图4(c)所示)。

(4)对I分量影像进行归一化处理

本发明提出的阴影检测指数需要使各分量统一到相同的量纲级别，所以需使I分量的特征值取值范围为[0，1]，公式如下：

$I_{nor}=\frac{I}{\max \left(I\right)}---\left(7\right)$

其中，I_nor为HIS彩色空间中I分量归一化后结果，max(I)为HIS彩色空间中I分量中像元最大值。

进一步地，所述步骤五具体包括以下步骤：

(1)获取S分量影像、归一化处理后的第一主成分影像和I分量影像获取主成分变换和HIS变换后的S分量影像、归一化的第一主成分影像和归一化的I分量影像作为输入数据。

(2)利用阴影检测指数对影像数据进行阴影检测

本发明对不同遥感影像进行实验统计分析可知，PCA1_nor中同一坐标位置的同一地物的特征值普遍大于在I_nor中的特征值，并且他们的差值处在不同的取值范围之内，通过进一步分析发现阴影差值基本处于最小取值范围；因此，本发明通过PCA1_nor与I_nor的差值法就能简单地将阴影与其他地物区分开(检测结果如图5所示)。

基于以上原理，可构造阴影检测指数，如下式：

$SDI=\frac{(PCA{1}_{nor}-I_{nor})\×(S+n_{con})}{(PCA{1}_{nor}+I_{nor}+S)}---\left(8\right)$

其中，PCA1_nor为归一化的第一主成分，I_nor为HIS彩色空间中I分量归一化后结果，S为HIS彩色空间中S分量，n_con为常数。

进一步地，所述步骤六具体包括以下步骤：

(1)获取检测结果影像的直方图信息

(2)对阴影检测结果进行阈值分割，获取阴影区域(如图7所示)。

本发明创造性的提出了先对影像做基于均值漂移算法的影像分割、基于主成分变换和HIS变换构造出高分辨率遥感影像阴影检测指数的思想，利用新的阴影检测算法简化了阴影提取的复杂度、提高了检测的精度，利用新的阴影检测算法提高了高分辨率遥感影像阴影检测的自动化程度、鲁棒性、普适性和阴影提取精度。

如图6所示，本发明进行高分辨率遥感影像阴影提取的数据计算流程如下：

(I)加载正确几何校正后的高分辨率遥感影像数据；

(II)基于均值漂移算法对加载的正确几何校正后的高分辨率遥感影像数据进行分割，得到分割后影像；

(III)基于主成分分析算法对分割后影像进行主成分变换，并对获取的第一主成分影像进行归一化处理得到第一主成分的归一化影像；

(IV)基于HIS变换对均值漂移分割后影像进行彩色空间的转换，并对获取的I分量影像进行归一化处理得到I分量的归一化影像；

(V)基于由主成分变换和HIS变换构造的阴影检测指数对影像进行阴影检测；

(VI)对阴影检测结果影像进行阈值分割，提取阴影区域。

为了验证面向对象的高分辨率遥感影像阴影提取方法的有效性，使用两景几何校正后高分辨率遥感影像数据进行阴影提取实验。两景数据中实验数据一和实验数据二分别如图2(a)和图8(a)所示，分辨率分别为0.5米和1米。

如图2(a)所示，实验数据一中的地物比较复杂，地物颜色较为多样，建筑物形状也较为复杂。如图8(a)所示，实验数据二中的地物比较复杂，建筑物形状较为规则。但影像中包含了植被、水体、蓝色地物等地物，因此数据能够用于验证方法的有效性。

实验在相同实验平台下，实验平台的配置：联想Z470笔记本，CPU为Intel(R)Core(TM)i3-2310M2.10GHz，内存2GB，装配Windows7旗舰系统。

实验过程，两个数据的n_con值选为0.3。图7展示了图2(a)中高分辨率遥感影像阴影提取结果；图8(b)展示了图8(a)中高分辨率遥感影像阴影提取结果；图9(a)展示了图2(a)中没有进行均值漂移分割的高分辨率遥感影像阴影提取结果；图9(b)展示了图8(a)中没有进行均值漂移分割的高分辨率遥感影像阴影提取结果。观察提取结果可知，植被、水体和蓝色地物都没有被检测为阴影区，所以本发明提出的阴影检测算法能有效地区分阴影与植被、水体和蓝色地物，并能有效地去除阴影检测结果中斑点噪声的影响。

阴影提取自动化程度、鲁棒性、普适性和精度的定量评价中，采用了漏检率、误检率及总错误率三个指标，并与没有进行均值漂移分割的阴影提取结果进行对比，其中三个指标的定义为：

漏检率： $F_{OER}=\frac{F_N}{T_{AS}}---\left(9\right)$

误检率： $F_{AER}=\frac{E_P}{T_{AS}}---\left(10\right)$

总错误率：F_TER＝F_OER+F_AER(11)

其中，T_AS为真实阴影像素点数，F_N为未检到的阴影像素点数，F_P为非阴影误检为阴影的像素点数。由公式定义可知，漏检率、误检率、总错误率均是越小表明检测效果越好。

由公式(9)-(11)定义可知，漏检率、误检率、总错误率均是越小表明检测效果越好。进行均值漂移分割和没有进行均值漂移分割的两景实验的阴影提取精度统计结果分别见表1和表2。

表1：

表2：

从漏检率和误检率来分析，本发明算法的平均错误率都在8％以下，并且平均误检率低至1.26％，从综合性能分析，即总错误率分析，本发明算法总错误率平均值只有8.37％，由此说明，无论是从单个指标还是综合性能上算法检测性能都较好。将表1和表2进行比较分析，进行均值漂移分割比没进行均值漂移分割的平均漏检率低17.02％、平均误检率低4.64％、总错误率平均值低19.99％，所以对影像进行均值漂移分割能有效地减少斑点噪声的影响，提高阴影检测的精度。

可见，本发明专利的面向对象的高分辨率遥感影像阴影提取方法取得了良好的效果，具有无需先验信息、提取精度高、鲁棒性高、自适应性强的优势。该方法取得上述优势受益于下述因素：

(1)本发明提出了首先对正确几何校正后的高分影像进行均值漂移分割，有效地去除了斑点噪声对提取结果的影响，提高了提取精度。

(2)利用主成分变换的特征，实现影像数据的降维操作，有效地降低了算法的运算量和算法结构的复杂程度，并提高了算法的自动化程度。

(3)充分利用了阴影、植被、水体、蓝色地物等在HIS彩色空间下的性质，简单、有效的区分开高分辨率遥感影像中阴影与非阴影区域，且无需先验信息。

(4)根据影像受光照、地物类别比例、传感器等影响的不同，通过调节阴影检测指数中的常数，确保了本发明方法的鲁棒性、普适性。

以上所述只是本发明的优选实施方式，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也被视为本发明的保护范围。

Claims (10)

1.面向对象的高分辨率遥感影像阴影提取方法，所述高分辨率遥感影像采用已经被正确几何校正过的高分辨率遥感影像，其特征是，所述方法包括以下步骤：

步骤一，加载正确几何校正后的高分辨率遥感影像数据；

步骤二，对高分辨率遥感影像进行影像分割，得到分割后影像；

步骤三，进行主成分变换，并对第一主成分进行归一化处理,得到第一主成分的归一化影像；

步骤四，对得到的分割后影像做HIS变换，并对I分量影像进行归一化处理,得到I分量的归一化影像；

步骤五，利用阴影检测指数进行阴影检测，获取阴影检测结果影像；

步骤六，对阴影检测结果影像进行阈值分割，得到阴影区域。

2.根据权利要求1所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，在步骤三中，基于主成分分析从分割后影像中获取第一主成分影像，并根据阴影检测指数的需求对第一主成分影像进行归一化处理。

3.根据权利要求1所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，在步骤四中，对得到的分割后影像进行HIS变换后获取I分量影像和S分量影像，并根据阴影检测指数的需求对I分量影像进行归一化处理。

4.根据权利要求1所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，在步骤五中，所述阴影检测指数SDI的表达式为：

$SDI=\frac{\left(PCA{1}_{nor}-I_{nor}\right)\×\left(S+n_{\mathrm{co}n}\right)}{\left(PCA{1}_{nor}+I_{nor}+S\right)}---\left(8\right)$

其中，PCA1_nor为第一主成分影像归一化处理的结果，I_nor为HIS彩色空间中I分量影像归一化处理的结果，S为HIS彩色空间中S分量，n_con为常数。

5.根据权利要求1所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，在步骤六中，结合检测结果影像的直方图信息对阴影检测结果影像进行阈值分割，获取阴影区域。

6.根据权利要求1至5任一项所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，所述步骤二具体包括以下步骤：(1)获取RGB三个波段的高分辨率遥感影像数据；(2)利用均值漂移分割算法进行影像分割。

7.根据权利要求1至5任一项所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，所述步骤三具体包括以下步骤：(1)获取分割后影像数据；(2)进行主成分分析；(3)获取第一主成分影像数据；(4)对第一主成分影像阴影区域进行采样，确定阴影特征值的正负；(5)对第一主成分影像进行取正或取负处理；(6)对处理后的影像进行归一化处理。

8.根据权利要求1至5任一项所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，所述步骤四具体包括以下步骤：(1)获取分割后影像数据；(2)进行HIS变换；(3)获取I分量影像和S分量影像；(4)对I分量影像进行归一化处理。

9.根据权利要求1至5任一项所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，所述步骤五具体包括以下步骤：(1)获取S分量影像、归一化的第一主成分影像和归一化的I分量影像；(2)利用阴影检测指数对影像数据进行阴影检测。

10.根据权利要求1至5任一项所述的面向对象的高分辨率遥感影像阴影提取方法，其特征是，所述步骤六具体包括以下步骤：(1)获取检测结果影像的直方图信息；(2)对阴影检测结果进行阈值分割，获取阴影区域。