CN106023113A - 基于非局域稀疏的卫星高分图像阴影区域恢复方法 - Google Patents
基于非局域稀疏的卫星高分图像阴影区域恢复方法 Download PDFInfo
- Publication number
- CN106023113A CN106023113A CN201610363498.7A CN201610363498A CN106023113A CN 106023113 A CN106023113 A CN 106023113A CN 201610363498 A CN201610363498 A CN 201610363498A CN 106023113 A CN106023113 A CN 106023113A
- Authority
- CN
- China
- Prior art keywords
- shadow
- image
- region
- sigma
- shadow region
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000011084 recovery Methods 0.000 title claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 30
- 230000011218 segmentation Effects 0.000 claims description 12
- 230000005855 radiation Effects 0.000 claims description 9
- 230000002902 bimodal effect Effects 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 240000007509 Phytolacca dioica Species 0.000 claims description 2
- 238000005260 corrosion Methods 0.000 claims description 2
- 230000007797 corrosion Effects 0.000 claims description 2
- 238000011049 filling Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims description 2
- 230000000877 morphologic effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000006748 scratching Methods 0.000 claims description 2
- 230000002393 scratching effect Effects 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000010191 image analysis Methods 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/94—Dynamic range modification of images or parts thereof based on local image properties, e.g. for local contrast enhancement
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
基于非局域稀疏的卫星高分图像阴影区域恢复方法,属于遥感图像处理领域,本发明为解决现有技术不能对卫星高分图像中城市地区建筑物阴影遮蔽进行阴影检测和阴影恢复的问题。本发明阴影区域恢复方法的具体过程为:步骤1、对高分图像阴影区域进行软检测;步骤2、对检测到的全影区和半影区进行恢复,使阴影区域的亮度和平滑度与非影区一致。本发明用于卫星高分图像分析。
Description
技术领域
本发明涉及一种卫星高分图像的阴影区域恢复方法,属于遥感图像处理领域。
背景技术
高分辨率的卫星图像可以观测到更多目标的细节信息,针对城市建筑物目标具备更强的应用潜力,例如:建筑物的精准定位、建筑物细节特征提取和建筑物的三维重建等。但是,大多数城市区域的高分辨率卫星图像都包含阴影区域,而阴影多数作为不期望获得的信息强烈地影响到卫星图像的解释,特别是较大的阴影,造成了遮蔽建筑物目标的部分或全部辐射信息的损失。在这种情况下,阴影区域中被遮蔽的目标是很难被提取而进一步应用的。因此,为了恢复被遮挡的目标,阴影检测和阴影恢复是城市高分辨率遥感图像的一个重要的预处理步骤。在已经提出的许多有效的阴影恢复算法中多针对自然图像,很少有针对卫星高分图像进行研究的。
发明内容
本发明目的是为了解决现有技术不能对卫星高分图像中城市地区建筑物阴影遮蔽进行阴影检测和阴影恢复的问题,提供了一种基于非局域稀疏的卫星高分图像阴影区域恢复方法。
本发明所述基于非局域稀疏的卫星高分图像阴影区域恢复方法,阴影区域恢复方法的具体过程为:
步骤1、对高分图像阴影区域进行软检测;
步骤2、对检测到的全影区和半影区进行恢复,使阴影区域的亮度和平滑度与非影区一致。
本发明的优点:本发明针对卫星高分图像,分析阴影与目标位置关系,经过两个层次的阴影恢复使被恢复的阴影区域和非影区域具备相同的亮度和平滑度特性,恢复被遮蔽目标信息,提高解译能力。本发明提出了基于非局域稀疏的卫星高分图像阴影区域恢复方法,设计了一套完整的阴影检测和阴影恢复的算法流程,将非局域稀疏的概念应用到阴影的精细恢复,使恢复的阴影区域与对应的非影区域具有相同的亮度和平滑度的辐射特性。本方法首先联合利用双峰直方图分裂法和图像抠像技术,获得阴影区域的软检测,用[0,1]的数值表示像素属于阴影的概率,对于半影区的恢复起到关键作用;然后先利用线性辐射增强对全图进行阴影初始恢复,使阴影区域与相应非影区域达到大致相同的亮度特性;最后利用非局域稀疏组矩阵的方法,针对阴影区域逐块的匹配相似的非影结构块进行精细恢复,并通过阴影和被遮蔽目标位置的分析,分为两种情况进行恢复,同时兼顾了影区和非影区的亮度和平滑度属性,获得完整均一的去影图像,提高了卫星图像的目标提取能力。
附图说明
图1是本发明所述基于非局域稀疏的卫星高分图像阴影区域恢复方法的原理图。
具体实施方式
具体实施方式一:下面结合图1说明本实施方式,本实施方式所述基于非局域稀疏的卫星高分图像阴影区域恢复方法,阴影区域恢复方法的具体过程为:
步骤1、对高分图像阴影区域进行软检测;
步骤2、对检测到的全影区和半影区进行恢复,使阴影区域的亮度和平滑度与非影区一致。
具体实施方式二:下面结合图1说明本实施方式,本实施方式对实施方式一作进一步说明,步骤1的具体过程为:
步骤1-1、利用双峰直方图分裂法确定阈值,根据阈值进行阴影硬分割;
阈值获得利用:此式表达对图像I进行硬阈值分割,Bm是获得的阴影硬分割的二值图,Pl和Pr分别表示图像直方图的两个峰值,ξ取值为10;
步骤1-2、利用形态学操作将硬分割的二类分割图变为非影区、半影区和全影区三类分割图像,对硬分割的二值图进行膨胀和腐蚀,差值区域作为半影区,并对其中半影区用原始图像填充:
Diff[x,y]=d(Bm[x,y])-e(Bm[x,y])
其中,d(Bm[x,y])表示对Bm[x,y]进行膨胀操作,e(Bm[x,y])表示对Bm[x,y]进行腐蚀操作,Diff[x,y]表示经过膨胀和腐蚀后的差值图像,DN表示原始阴影图像的像素值,M[x,y]表示获得的三类分割图像;
步骤1-3、对阴影进行软检测,三类分割图像M[x,y]中,0表示全影区,1表示非影区,利用图像抠像算法计算原始图像填充区域的阴影概率值:
其中,E(θ)表示能量函数,λ表示较大常数,此处设置为100,θ表示图像中每一个像素的阴影概率值,θT表示概率矩阵的转置,是标记的三类分割图,即是全影区域,是非影区域,L是抠像的拉普拉斯矩阵,D是对角矩阵。
本实施方式中,图像抠像算法即image matting。
具体实施方式三:下面结合图1说明本实施方式,本实施方式对实施方式二作进一步说明,步骤2对检测到的全影区和半影区进行恢复的具体过程为:
步骤2-1、利用非影区的统计均值和标准差,对非影区进行线性辐射增强,使阴影区域的亮度趋近达到与非影区相同水平,获得阴影初始恢复结果:
其中,In[x,y]是经过初步辐射增强后的像素值,Is[x,y]是图像中阴影区域的原始像素值,θ[x,y]是软检测结果中对应像素的阴影概率值,μshadow、μsunlit、σshadow和σsunlit分别表示阴影区域均值、阴影区域标准差、非影区域均值和非影区域标准差;
步骤2-2、利用非局域稀疏方法对阴影初始恢复结果进行精细恢复,以8×8的图像块为基本单位,在非局域区域内计算欧式距离,搜索相似结构的匹配块,匹配60个距离最小的基本图像块,将每个图像块改写成列向量形式,构成一个64×60的组矩阵,对该组矩阵进行奇异值分解后重建,转化为解决如下典型的低秩优化问题:
其中,是相似组矩阵,和是进行奇异值分解的三个分量,其中K=min(m,n)是对角矩阵,n是基本图像块的大小,m是一组中被匹配到的块的个数;Sτ表示对变量τ软阈值操作,最终恢复重建后的阴影区域图像
本发明中,根据阴影与遮蔽建筑物的位置关系,分为遮蔽建筑物部分在阴影区域和遮蔽建筑物全部在阴影区域;
当遮蔽建筑物部分在阴影区域中时,获得的组矩阵包括阴影块和非影块,通过利用组内非影块的均值和标准差对组内的阴影块进行二次的线性辐射增强来实现亮度的精细恢复,具体过程与阴影初始恢复相同;平滑度精细恢复的算法核心思想就是把每一次迭代的噪声阴影图像返回给预测的恢复图像其中每次更新的软阈值设置为σi表示局域阴影区域变化,σω表示全局变化;在更新过程中,将组矩阵看做由阴影块组成的阴影矩阵和非阴影块组成的非影矩阵两个新矩阵,σi只用阴影矩阵更新,公式如下:
其中k是迭代次数,λsi是阴影矩阵的奇异值,s是阴影矩阵列数,σω是通过非影矩阵与阴影矩阵的变化进行更新,公式如下:
公式中γ表示尺度因子,和分别是阴影矩阵和非阴影矩阵。
当遮蔽建筑物全部在阴影区域中时,获得的组矩阵全部由阴影块组成,没有相似结构,非阴影信息不进行二次辐射增强;软阈值σi用整个组矩阵更新和σω则用全图的变化进行更新,公式如下:
其中λi是组矩阵的奇异值,m是组矩阵的列数,I是整幅图像;图像的迭代过程与第一种情况相同。
Claims (3)
1.基于非局域稀疏的卫星高分图像阴影区域恢复方法,其特征在于,阴影区域恢复方法的具体过程为:
步骤1、对高分图像阴影区域进行软检测;
步骤2、对检测到的全影区和半影区进行恢复,使阴影区域的亮度和平滑度与非影区一致。
2.根据权利要求1所述的基于非局域稀疏的卫星高分图像阴影区域恢复方法,其特征在于,步骤1的具体过程为:
步骤1-1、利用双峰直方图分裂法确定阈值,根据阈值进行阴影硬分割;
阈值获得利用:此式表达对图像I进行硬阈值分割,Bm是获得的阴影硬分割的二值图,Pl和Pr分别表示图像直方图的两个峰值,ξ取值为10;
步骤1-2、利用形态学操作将硬分割的二类分割图变为非影区、半影区和全影区三类分割图像,对硬分割的二值图进行膨胀和腐蚀,差值区域作为半影区,并对其中半影区用原始图像填充:
Diff[x,y]=d(Bm[x,y])-e(Bm[x,y])
其中,d(Bm[x,y])表示对Bm[x,y]进行膨胀操作,e(Bm[x,y])表示对Bm[x,y]进行腐蚀操作,Diff[x,y]表示经过膨胀和腐蚀后的差值图像,DN表示原始阴影图像的像素值,M[x,y]表示获得的三类分割图像;
步骤1-3、对阴影进行软检测,三类分割图像M[x,y]中,0表示全影区,1表示非影区,利用图像抠像算法计算原始图像填充区域的阴影概率值:
其中,E(θ)表示能量函数,λ表示较大常数,此处设置为100,θ表示图像中每一个像素的阴影概率值,θT表示概率矩阵的转置,是标记的三类分割图,即是全影区域,是非影区域,L是抠像的拉普拉斯矩阵,D是对角矩阵。
3.根据权利要求2所述的基于非局域稀疏的卫星高分图像阴影区域恢复方法,其特征在于,步骤2对检测到的全影区和半影区进行恢复的具体过程为:
步骤2-1、利用非影区的统计均值和标准差,对非影区进行线性辐射增强,使阴影区域的亮度趋近达到与非影区相同水平,获得阴影初始恢复结果:
其中,In[x,y]是经过初步辐射增强后的像素值,Is[x,y]是图像中阴影区域的原始像素值,θ[x,y]是软检测结果中对应像素的阴影概率值,μshadow、μsunlit、σshadow和σsunlit分别表示阴影区域均值、阴影区域标准差、非影区域均值和非影区域标准差;
步骤2-2、利用非局域稀疏方法对阴影初始恢复结果进行精细恢复,以8×8的图像块为基本单位,在非局域区域内计算欧式距离,搜索相似结构的匹配块,匹配60个距离最小的基本图像块,将每个图像块改写成列向量形式,构成一个64×60的组矩阵,对该组矩阵进行奇异值分解后重建,转化为解决如下典型的低秩优化问题:
其中,是相似组矩阵,和是进行奇异值分解的三个分量,其中K=min(m,n)是对角矩阵,n是基本图像块的大小,m是一组中被匹配到的块的个数;Sτ表示对变量τ软阈值操作,最终恢复重建后的阴影区域图像
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363498.7A CN106023113B (zh) | 2016-05-27 | 2016-05-27 | 基于非局域稀疏的卫星高分图像阴影区域恢复方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610363498.7A CN106023113B (zh) | 2016-05-27 | 2016-05-27 | 基于非局域稀疏的卫星高分图像阴影区域恢复方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106023113A true CN106023113A (zh) | 2016-10-12 |
CN106023113B CN106023113B (zh) | 2018-12-14 |
Family
ID=57094330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610363498.7A Active CN106023113B (zh) | 2016-05-27 | 2016-05-27 | 基于非局域稀疏的卫星高分图像阴影区域恢复方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106023113B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428380A (zh) * | 2019-08-01 | 2019-11-08 | 重庆师范大学 | 紫色土土壤图像阴影增强方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789121A (zh) * | 2009-01-22 | 2010-07-28 | 佳能株式会社 | 用于阴影校正的装置和方法 |
CN101930591A (zh) * | 2009-06-26 | 2010-12-29 | 致伸科技股份有限公司 | 背景去除的图像处理方法 |
CN102147920A (zh) * | 2011-03-02 | 2011-08-10 | 上海大学 | 高分辨率遥感影像中的阴影检测方法 |
CN102332157A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种消除阴影的方法 |
CN104463853A (zh) * | 2014-11-22 | 2015-03-25 | 四川大学 | 一种基于图像分割的阴影检测与去除算法 |
-
2016
- 2016-05-27 CN CN201610363498.7A patent/CN106023113B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101789121A (zh) * | 2009-01-22 | 2010-07-28 | 佳能株式会社 | 用于阴影校正的装置和方法 |
CN101930591A (zh) * | 2009-06-26 | 2010-12-29 | 致伸科技股份有限公司 | 背景去除的图像处理方法 |
CN102147920A (zh) * | 2011-03-02 | 2011-08-10 | 上海大学 | 高分辨率遥感影像中的阴影检测方法 |
CN102332157A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种消除阴影的方法 |
CN104463853A (zh) * | 2014-11-22 | 2015-03-25 | 四川大学 | 一种基于图像分割的阴影检测与去除算法 |
Non-Patent Citations (2)
Title |
---|
张红颖 等: "基于混合高斯模型的阴影去除算法", 《计算机应用》 * |
杨俊 等: "一种高分辨率遥感影像阴影去除方法", 《武汉大学学报(信息科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110428380A (zh) * | 2019-08-01 | 2019-11-08 | 重庆师范大学 | 紫色土土壤图像阴影增强方法 |
CN110428380B (zh) * | 2019-08-01 | 2022-02-18 | 重庆师范大学 | 紫色土土壤图像阴影增强方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106023113B (zh) | 2018-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mnih et al. | Learning to label aerial images from noisy data | |
CN102324102B (zh) | 一种图像场景空洞区域结构和纹理信息自动填补方法 | |
Abdollahi et al. | Improving road semantic segmentation using generative adversarial network | |
CN104574347B (zh) | 基于多源遥感数据的在轨卫星图像几何定位精度评价方法 | |
CN109872278B (zh) | 基于u形网络和生成对抗网络的图像云层移除方法 | |
CN111640159A (zh) | 一种基于孪生卷积神经网络的遥感影像变化检测方法 | |
CN113298815A (zh) | 一种半监督遥感图像语义分割方法、装置和计算机设备 | |
CN112052783A (zh) | 一种结合像素语义关联和边界注意的高分影像弱监督建筑物提取方法 | |
CN113223042B (zh) | 一种遥感影像深度学习样本智能采集方法及设备 | |
Wei et al. | BuildMapper: A fully learnable framework for vectorized building contour extraction | |
Peng et al. | Full-level domain adaptation for building extraction in very-high-resolution optical remote-sensing images | |
CN104217436A (zh) | 基于多特征联合稀疏图的sar图像分割方法 | |
CN113505670A (zh) | 基于多尺度cam和超像素的遥感图像弱监督建筑提取方法 | |
CN117456136A (zh) | 一种基于多模态视觉识别的数字孪生场景智能生成方法 | |
Li et al. | 3DCentripetalNet: Building height retrieval from monocular remote sensing imagery | |
Jiang et al. | Arbitrary-shaped building boundary-aware detection with pixel aggregation network | |
CN117058546A (zh) | 全局局部细节感知条件随机场的高分辨率遥感影像建筑物提取方法 | |
Zhang et al. | Multi-path fusion network for high-resolution height estimation from a single orthophoto | |
Thati et al. | A systematic extraction of glacial lakes for satellite imagery using deep learning based technique | |
Pellis et al. | An image-based deep learning workflow for 3D heritage point cloud semantic segmentation | |
CN114166842A (zh) | 高分遥感数据与地面调查数据协同的城镇森林监测方法 | |
CN106023113A (zh) | 基于非局域稀疏的卫星高分图像阴影区域恢复方法 | |
CN112767244A (zh) | 一种高分辨率地表要素无缝感知方法与系统 | |
Yue et al. | SCFNet: Semantic correction and focus network for remote sensing image object detection | |
Mangala et al. | A new automatic road extraction technique using gradient operation and skeletal ray formation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CB03 | Change of inventor or designer information |
Inventor after: Chen Hao Inventor after: Su Nan Inventor after: Zhang Ye Inventor after: Zhang Junping Inventor before: Su Nan Inventor before: Zhang Ye Inventor before: Zhang Junping |
|
CB03 | Change of inventor or designer information |