CN107992856B - 城市场景下的高分遥感建筑物阴影检测方法 - Google Patents

Abstract

本发明公开了一种城市场景下的高分遥感建筑物阴影检测方法。首先，对建筑物遥感影像进行基于WJSEG算法的多尺度区域分割，获得基本分析单元；其次，提取每个基本分析单元的建筑物阴影辐射特征；然后，提取每个基本分析单元建筑物阴影分形属性，将辐射特征和分形属性组成该基本分析单元的特征向量；最后，基于主动学习的SVM分类器得到建筑物阴影检测结果。本发明在辐射特征的基础上引入对建筑物敏感的分形属性，提高了建筑物阴影的识别精度。

Description

城市场景下的高分遥感建筑物阴影检测方法

技术领域

本发明属于图像处理技术领域，特别涉及一种城市场景下的高分遥感建筑物阴影检测方法。

背景技术

高分辨率遥感影像的阴影检测已经成为遥感与摄影测量领域的研究热点之一，其可能的原因在于：一方面，尽管分辨率的不断提高带来了更加丰富的地物(阴影)空间细节信息，但同时也使阴影对变化检测及目标识别等图像处理过程的影响变得更加显著；另一方面，阴影又是一个重要的信息来源，特别是在摄影测量领域中，建筑物阴影可为建筑物的定位、高度估计、损毁检测以及变化检测领域提供大量的关键信息。因此，研究高分辨率遥感影像的建筑物阴影检测具有重要的理论意义和实际应用价值。

目前，针对建筑物的阴影检测，学者们已经提出了一些有效的方法，主要可以分为两类：基于模型的方法和基于特征的方法。第一类首先需要假设背景或建筑物阴影的统计模型，再根据此模型来判别某个像素是否属于阴影区域。如季顺平等提出将自然地物和建筑物均视为符合高斯分布的图像背景，而将阴影视为出界点，再利用卡方检验提取建筑物阴影。这种方法的局限在于对先验知识的依赖，而当先验知识匮乏时又通常难以选择合适的假设模型，因此算法的鲁棒性较差。而基于特征方法则通过选择有效的特征来识别建筑物阴影，具有不局限于特定假设模型的优点。其中，由于建筑物阴影与其他地物间通常存在显著的辐射差异，因而基于辐射特征的检测方法得到了广泛的研究，如Liasis等就针对不同类型建筑物阴影的辐射特征进行了统计分析。然而，仅依赖辐射特征又存在一些局限性，体现在：一方面，高分辨率遥感影像中纹理等细节特征更加丰富，增加了不同建筑物阴影间辐射特征的异质性；另一方面，普遍存在的具有相似辐射特征的非建筑物阴影区域(如树木遮挡、地形起伏等)，也是导致错检发生的主要来源。因此，如何进一步构建更加完备的特征空间来描述复杂多样的城市建筑物阴影，是提高检测精度关键。

发明内容

为了解决上述背景技术提出的技术问题，本发明旨在提供城市场景下的高分遥感建筑物阴影检测方法，在辐射特征的基础上引入对建筑物敏感的分形属性，提高建筑物阴影的识别精度。

为了实现上述技术目的，本发明的技术方案为：

城市场景下的高分遥感建筑物阴影检测方法，包括以下步骤：

(1)对建筑物遥感影像进行基于WJSEG算法的多尺度区域分割，获得基本分析单元；

(2)提取每个基本分析单元的建筑物阴影辐射特征；

(3)提取每个基本分析单元建筑物阴影分形属性，将步骤(2)提取的辐射特征和步骤(3)提取的分形属性组成该基本分析单元的特征向量；

(4)基于主动学习的SVM分类器得到建筑物阴影检测结果。

进一步地，在步骤(2)中，所述建筑物阴影辐射特征包括RF1、RF2和RF3；提取每个基本分析单元的灰度直方图，计算该灰度直方图与训练样本集中所有已标记样本的灰度直方图的欧式距离均值作为RF1；将原始影像的红、绿、蓝波段转换至HSV空间，在色调H影像中提取每个基本分析单元的灰度直方图，在色调H影像中结合已标记样本计算欧式距离均值最为RF2；计算绿色波段与蓝色波段的差值影像，在该差值影像中获得每个基元与已标记样本的欧式距离均值作为RF3。

进一步地，在步骤(3)中，所述建筑物阴影分形属性包括分形计盒维数、空间几何变化率和分形拟合误差；

在单波段影响中设定尺度参数r，N(r)为尺度r下覆盖整幅影像所需要的几何图形个数，则基本分析单元中某像素的分形计盒维数D：

计算基本分析单元中所有像素的分形计盒维数的均值D_avg作为该基本分析单元的分形计盒维数特征，遍历所有基本分析单元，获得分形计盒维数属性集合D_N＝{D_avg1,D_avg2...D_avgN}，下标N为基本分析单元总数；

定义基本分析单元中某像素的空间几何变化率g：

上式中，r₁与r₂为尺度参数，D为分形计盒维数，A(r₁)和A(r₂)分别为尺度r₁和r₂下对应的曲面面积；

计算基本分析单元内部所有像素g值的平均值g_avg作为空间几何变化率特征，遍历所有基本分析单元，获得空间几何变化率属性集合G_N＝{g_avg1,g_avg2...g_avgN}；

定义基本分析单元中某像素的分形拟合误差e：

上式中，m为尺度参数总数，D为分形计盒维数，g为空间几何变化率，A(r)为尺度r下的曲面面积；

计算每个基本分析单元内部所有像素的e值的平均值e_avg作为分形拟合误差特征，遍历所有基本分析单元，获得分型拟合误差属性集合E_N＝{e_avg1,e_avg2...e_avgN}。

进一步地，在计算分形计盒维数时，尺度参数r取基本分析单元的最大内切圆的直径；在计算空间几何变化率时，尺度参数r₁为基本分析单元的内切圆直径，尺度参数r₂为基本分析单元的外接圆直径；在计算分形拟合误差时，设定尺度参数总数m＝2。

进一步地，在步骤(4)中，在SVM分类器中，设建筑物阴影类和非建筑物阴影类的决策函数为：

上式中，x_i为候选样本，y_i为x_i所对应的标号，α_i为Lagrange乘子，K为样本容量，b为确定最优超平面的参数，(x_i·x)为两个向量的点积；

在主动学习过程中，基于SSIM的用户可信度阈值选择策略来对样本进行精炼：分别计算当前样本与前一个属于建筑物阴影类或非建筑物阴影类的已标注样本间的SSIM，设当前样本与前一个已标记样本所对应的向量分别为X和Y，两个样本之间的SSIM由下式计算得到：

上式中，μ_x，μ_y，σ_x，σ_y，

σ_xy分别是X与Y的均值、标准差、方差和协方差；

在主动学习每一次迭代过程中，只有当该样本与当前超平面的距离最小，且SSIM大于0.5时，才对该样本进行标注。

采用上述技术方案带来的有益效果：

本发明结合了辐射特征与分形属性，利用二者在建筑物阴影检测的互补性，提高了建筑物阴影识别的准确度；同时在后续分类阶段，提出了基于结构子相似性的用户可信度样本选择策略来优化训练样本集的构建，有利于选择更具代表性的训练样本。

附图说明

图1是本发明流程图；

图2是航空影像图；

图3是WorldVieww II卫星影像图；

图4是航空影像分割结果图；

图5是WorldVieww II卫星影像分割结果图；

图6(a)(b)(c)是三种方法的航空影像实验结果图；

图7(a)(b)(c)是三种方法的WorldVieww II卫星影像实验结果图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

1、建筑物阴影特征分析

遥感影像中的阴影是由于在成像过程中，地面上具有一定高度的地物或地形起伏对太阳光造成遮挡而产生的。阴影可通常可以分为投影和自阴影两类。其中，投影是太阳光被地物遮挡的地面区域，而自阴影是地物本身没有被太阳光照射的部分。由于在变化检测等许多应用中区分投影和自阴影并不是必须的，因此本发明统一将它们归为建筑物阴影类。

1.1、建筑物阴影的辐射特征

根据遥感影像建筑物阴影区域的统计研究，建筑物阴影的辐射特征主要体现在以下几个方面：

(1)建筑物阴影区域内的灰度方差及均值通常小于其他非阴影区域，且同一场景中的建筑物阴影区域之间通常具有较强的灰度一致性。

(2)在RGB(Red，Green，Blue)彩色空间中，受到阴影影响的地表在R、G、B三个通道中的下降速度依次减小，因此相当于蓝色分量得到了增强，从而使得阴影区域在颜色上偏蓝色，而道路、泥土、植被等非阴影区域通常偏绿或者偏黄。

(3)由于蓝色分量的增强将会显著提高色调值，因此在HSV(Hue,Saturation,Value)彩色空间中，H分量相较于其他分量得到了增强。

(4)在阴影区域中，绿色分量相对于蓝色分量急剧下降，相关性较弱；而在非阴影区域，蓝绿分量则具有较强的相关性。

与此同时，高分辨率遥感影像所包含的丰富细节信息可能使同属于建筑物阴影的目标存在较大的辐射特征差异，从而导致错检或者漏检；另一方面，由于树木等自然地物阴影以及地形起伏区域等均可能具有类似的辐射特征，从而导致仅依据辐射特征无法提供足够的信息来区分建筑物阴影与影像中其他较暗的地物。因此，有必要构建更加完备的特征空间以降低建筑物阴影的“类内可分性”，提高“类间可分性”。

1.2、建筑物阴影的分形属性

由于建筑物阴影是由建筑物的投影所产生的，因此可以把建筑物阴影看作是一类特殊的人造目标，其形态学特征与自然背景相比较为规则。在众多的人造目标检测法中，分形理论作为一种与建筑物的不规则性相匹配的数学工具，在人造目标检测中得到了广泛应用。表现在分形几何中，建筑物阴影的分形计盒维数等特征均与自然背景及自然地物阴影存在显著差异。鉴于分形属性能够很好地描述人造目标的形状、结构特征，本发明利用分形属性来弥补仅依赖辐射特征时所存在的不足，从而实现优势互补。

2、结合辐射与分形的建筑物阴影检测方法

该方法主要包括四个步骤：基于WJSEG(Wavelet J-segmentation)的多尺度分割、辐射特征提取、分形属性提取、基于主动学习SVM分类器的建筑物阴影检测。流程图如图1所示。

2.1、基于WJSEG的多尺度分割

高分影像中的建筑物阴影一般表现为形状规则的局部“黑”区域，而不是散乱分布的孤立像素点或碎片。因此，本身首先通过对影像进行区域分割获得基本的分析单元，再从中提取潜在的建筑物阴影。分割过程采用针对高分辨率遥感影像的WJSEG算法(见WANG CH,SHI A,Wang X,et al.Anovel multi-scale segmentation algorithm for highresolution remote sensing images based on wavelet transform and improved JSEGalgorithm[J].International Journal for Light and Electron Optics,2014,125(19):5588-5595)，其优势在于：与著名商业软件eCongnition相比，WJSEG算法在复杂城市场景中定位对象边界更加准确，保持对象轮廓更加完整；另一方面，采用WJSEG算法有助于提高阴影检测过程的算法透明度。

2.2、建筑物阴影辐射特征提取

基于WJSEG分割结果，本发明构建了三种辐射特征来刻画建筑物阴影：

辐射特征RF1：针对1.1节中的(1)所指出的建筑物阴影灰度均值较低且具有较强一致性的特点，首先提取每个基元的灰度直方图。在此基础上，计算该灰度直方图与训练样本集中所有已标记样本的灰度直方图的欧式距离均值作为RF1。

辐射特征RF2：根据1.1节中的(2)，建筑物阴影由于在RGB彩色空间中偏蓝而导致在HSV彩色空间中的H分量得到增强。因此，首先将原始影像的红、绿、蓝波段转换到HSV空间；其次，在色调H影像中提取每个基元的灰度直方图；最后，在H影像中结合已标记样本计算欧式距离均值作为RF2。

辐射特征RF3：根据1.1节中的(3)、(4)，建筑物阴影在蓝色波段中的亮度值相较于绿色波段急剧下降，这种剧烈程度可以用绿色波段与蓝色波段的差值影像来进行描述。因此，可以在该差值影像中获得每个基元与已标记样本的欧式距离均值RF3。

2.3、建筑物阴影分形属性提取

鉴于分形属性与辐射特征的互补性，基于WJSEG的分割结果进一步提取分形计盒维数、分形拟合误差、空间几何变化率、三种分形属性，从而构建统一的特征空间。

(1)提取分形计盒维数属性

据1.1节中的(1)，建筑物阴影的灰度方差(即纹理复杂程度)偏低，表现为不满足分形模型而表现出异常值。而分形计盒维数能够反映物体表面的粗糙程度，越大表面就越粗糙。在单波段影像中设定尺度参数为r，N(r)为尺度r下覆盖整幅影像所需要的几何图形个数，则分形计盒维数D为：

其中，对任意一个分析基元，本文设定该基元的最大内切圆的直径为尺度参数，表示为r_D，再根据公式(1)计算该像素的分形计盒维数D。在此基础上，计算该基元内部所有像素的分形计盒维数均值，作为其对应的计盒维数特征D_avg。显然，对于不同的基元，其对应的尺度参数r_D是随之变化的。遍历所有基元，获得分形计盒维数属性集合D_N＝{D_avg1,D_avg2...D_avgN}，其中N为分割结果中的基元总数。

(2)提取几何空间变化率属性

本发明中几何空间变化率用参数g表示，对于理想的分形曲面而言g应为一个常数，而对于非理想的分形曲面(建筑物阴影)，g应当产生明显变化。定义g为：

其中，r₁与r₂为尺度参数，D-2为当前分形维数，令某基元内部的内切圆直径为r₁，外接圆的直径为r₂。A(r₁)和A(r₂)为当前尺度下对应的曲面面积，即变化率。计算每个基元内部所有像素g值的平均值，获得空间变化率属性集合G_N＝{g_avg1,g_avg2...g_avgN}。

(3)提取分形拟合误差属性

分形拟合误差反映了分形模型对图像的适应程度，相较于自然地物，采用分形模型拟合人造目标时应当具有更大的拟合误差。本文分形拟合误差用e表示，A(r)是指尺度r下的曲面面积：

由此能看出，分形拟合误差可以在公式(1)、(2)的基础上得到。设定尺度参数总数m＝2，计算每个基元内部的所有像素的e值并取平均值，并遍历所有基元，获得分型拟合误差属性集合E_N＝{e_avg1,e_avg2...e_avgN}。

2.4主动学习SVM分类器的建筑物阴影检测

基于所构建的特征空间，对每个基元可以得到一个6维的特征向量。在此基础上，鉴于主动学习(Active Learning，AL)SVM具有良好推广能力，且仅需要较少的初始训练样本，因此本发明以此作为分类器进行阴影检测。

在SVM分类器中，设建筑物阴影类和非建筑物阴影类的决策函数为：

其中，x_i为候选样本，y_i为x_i所对应的标号，α_i为Lagrange乘子，K为样本容量，b为确定最优超平面的参数，(x_i·x)为两个向量的点积。在主动学习过程中，其关键在于有效样本的选择策略。然而通过上述方法选择的样本，由于下面两个原因很难进行标注：一是该样本具有最大的不确定性；二是该种类型的样本总是位于类别边界上。为此，本发明提出了基于SSIM的用户可信度阈值选择策略来对样本进行精炼：分别计算当前样本与前一个属于建筑物阴影类/分建筑物阴影类的已标注样本间的SSIM(结构自相似性)。设样本与前一个已标记样本所对应的向量分别为X与Y，两个样本之间的SSIM可由下式计算得到：

其中，μ_x，μ_y，σ_x，σ_y，

σ_xy分别是X与Y的均值、标准差、方差和协方差。由于SSIM反映了当前样本与前一个属于不同类别的已标注样本间的相似程度，因此取较大的SSIM值作为该样本的用户可信度。在主动学习每一次迭代过程中，只有当该样本与当前超平面的距离最小，且SSIM大于0.5时，才对该样本进行标注。在利用标记样本对SVM训练时，采用RBF核函数，其中核宽度和惩罚参数采用粒度搜索方法确定。

3、实验与分析

3.1实验数据

为了验证所提出算法的有效性及可靠性，分别对城市场景下的高分辨率航空及卫星遥感影像进行实验。两组实验数据分别如图2、图3所示。其中，航空影像空间分辨率为0.6米，采集时间为2013年2月，所在地区为中国江苏南京，尺寸为1024×1024像素，包含该R、G、B三个波段；WorldView II卫星影像空间分辨率为1.8米，采集时间为2010年9月，所在地区为中国重庆，尺寸为1024×1024像素，包含该R、G、B、NIR四个波段。另外，为便于目视分析，我们用不同的字母符号对检测结果中的典型地物或位置进行了标识。

3.2参数设置及比较方法

在两组实验中，设定WJSEG中设定最大尺度参数。在SVM分类时，采用5％的样本构建初始样本训练集；在此基础上，通过主动策略选择新的训练样本，经过用户标注后直至训练集达到全部样本的30％；最后，对剩余70％的样本用作测试。另外，为进一步分析引入分形属性对阴影检测的改善效果，我们仅基于2.2节所提取的辐射特征来进行阴影检测(下文简称方法2)，并与综合辐射及分形属性的检测结果(下文简称方法1)进行比较。最后，为充分验证算法的性能，本文还选择季顺平等提出的传统基于分布模型的方法(下文简称方法3)来进行比较实验。

3.3实验结果与目视分析

在两组实验室中，WJSEG的分割结果如图4、图5所示，三种不同策略的阴影检测结果如图6、图7所示，图6、图7包括(a)、(b)、(c)三幅图，分别表示方法1、2、3。

首先通过人工解译及目视分析对实验结果进行定性评价。不难看出，两组实验中方法1的检测效果均明显优于其他两种方法，具体体现在：

(1)与方法2比较。①WJSEG分割结果中存在一定的过分割现象(如

)，但同时也较好的区分了小尺寸建筑物阴影与具有相似辐射特征的相邻道路(如

)、植被(如

)等地物。由于我们感兴趣的基元仅为建筑物阴影，因此这样的分割效果能够满足后续的阴影检测的要求。②尽管基于不同的特征空间，但是方法1和方法2对于具有代表性辐射特征的典型建筑物阴影均具有较好的检测能力，如尺寸较大的高层建筑物阴影

以及尺寸较小的低矮建筑物阴影

③差异主要存在于与建筑物阴影具有类似辐射特征的区域，即方法3在这些区域发生了错检(如

处的植被以及

处的人造目标均未受到阴影影响)。方法3由于进一步引入了分形属性，则没有发生错检。④方法3对于小尺寸的细长建筑物Cast Shadow存在一定的漏检如(如

)，而对于光照强度较弱的倾斜屋顶(如

)，两种算法均将其归为非阴影类。⑤引入分形属性后导致了方法1在个别形状规则的非阴影区域处产生了错检(如

处的水体)。⑥在构建初始样本训练集时，我们注意选择了形状较为规则的非建筑物阴影这一类具有较大不确定的样本，但方法1仍然存在少量错检(如

处的植被阴影)。

(2)与方法3比较。与所提出方法不同，方法3是一种像素级的检测方法，其建立在所有非建筑物阴影像素(包括自然背景及建筑物)均符合高斯分布模型的假设基础上。尽管这种方法不需要预先进行区域分割，因此不存在分割过程的误差积累，但也存在着两个主要局限：①在对所有像素进行逐个识别的过程中，像素本身及其相邻像素对检测结果起着关键作用，因此容易受到地物本身局部灰度或纹理突变，从而导致漏检或错检。而所提出方法以分割结果中的联通区域作为分析基元，能够较好的避免此类问题。例如，建筑物阴影表现为局部联通区域的

存在“空洞”现象(即发生了漏检)；方法3检测结果中还存在大量孤立点及碎片(如

)等非建筑物阴影(即发生了错检)。②当建筑物阴影所占比例较大时，方法3所依据的前提假设不一定成立。例如，对航空影像进行分类后部分建筑物阴影已被独立划分为两类，从而发生了严重的漏检，如

而在形状较为规则的水体区域

发生了错检。

3.4定量精度评价

为进一步对算法的精度进行定量评价，我们通过人工解译的方式在不同类型建筑物的阴影中随机选择了5000个像素来构建参考样本集。在此基础上，采用总体精度(Overall Accuracy，OA)、误检率(False Detection Rate，FDR)、漏检率(MisdetectionRate，MDR)以及卡普系数(Kappa Index，KI)四个精度指标对三种算法的检测效果进行定量评价，结果如表1所示。

表1

根据定量精度评价结果，方法1在两组实验中总体精度分别达到了92.3％及94.5％，且其他各项指标均优于其他两种算法，与目视分析结果一致。方法1与方法2相比，两组实验中MDR差异不大而FDR显著提高，这说明仅依据辐射特征已经能够将建筑物阴影的粗糙的提取出来，而引入分形特征能够进一步剔除与建筑物阴影具有相似辐射特征的他较暗地物。随着阴影所占比例的减小，方法3在第二组实验中较第一组实验检测精度提高了将近14％，尽管如此，其误检率依然超过了15％。这一方面说明不同实验数据与假设模型的匹配程度会对基于模型方法的检测精度产生显著影响。另一方面，即使假设模型较为合理，也难以较为完备的描述密集城市场景，因而难以取得理想的检测效果。

4、结论

针对高分辨率遥感影像中的城市建筑物阴影所面临的挑战，本发明提出了一种结合辐射与分形属性的检测方法。文中通过分析辐射特征及分形属性在建筑物阴影中的互补性，综合利用灰度、RGB以及HSV彩色空间中的辐射特征，以及分形计盒维数等三种分形属性建立了新的特征空间。在此基础上，提出了基于SSIM的用户可信度样本选择策略来进行主动学习SVM分类，取得了良好的检测效果。实验表明，所提出方法能够准确识别不同类型建筑物阴影，检测精度可到90％以上；其次，有效减少与建筑物阴影具有相似特征的虚假目标的干扰，误检率低于5％；最后，不依赖特定的假设模型，在不同传感器类型、不同场景的影像实验中各项精度指标波动较小，可靠性良好。尽管如此，算法还存在一些不足，例如对部分非建筑物阴影，在引入分形属性后反而产生了错检，需要我们在未来研究工作中加以改进。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (4)

1.一种城市场景下的高分遥感建筑物阴影检测方法，其特征在于，包括以下步骤：

步骤1)对建筑物遥感影像进行基于WJSEG算法的多尺度区域分割，获得基本分析单元；

步骤2)提取每个基本分析单元的建筑物阴影辐射特征；

步骤3)提取每个基本分析单元建筑物阴影分形属性，将步骤2)提取的辐射特征和步骤3)提取的分形属性组成该基本分析单元的特征向量；

步骤4)基于主动学习的SVM分类器得到建筑物阴影检测结果；

在步骤(3)中，所述建筑物阴影分形属性包括分形计盒维数、空间几何变化率和分形拟合误差；

在单波段影响中设定尺度参数r，N(r)为尺度r下覆盖整幅影像所需要的几何图形个数，则基本分析单元中某像素的分形计盒维数

计算基本分析单元中所有像素的分形计盒维数的均值D_avg作为该基本分析单元的分形计盒维数特征，遍历所有基本分析单元，获得分形计盒维数属性集合D_N＝{D_avg1,D_avg2...D_avgN}，下标N为基本分析单元总数；

定义基本分析单元中某像素的空间几何变化率

上式中，r₁与r₂为尺度参数，D为分形计盒维数，A(r₁)和A(r₂)分别为尺度r₁和r₂下对应的曲面面积；

计算基本分析单元内部所有像素g值的平均值g_avg作为空间几何变化率特征，遍历所有基本分析单元，获得空间几何变化率属性集合G_N＝{g_avg1,g_avg2...g_avgN}；

定义基本分析单元中某像素的分形拟合误差e：

上式中，m为尺度参数总数，D为分形计盒维数，g为空间几何变化率，A(r)为尺度r下的曲面面积；

计算每个基本分析单元内部所有像素的e值的平均值e_avg作为分形拟合误差特征，遍历所有基本分析单元，获得分型拟合误差属性集合E_N＝{e_avg1,e_avg2...e_avgN}。

2.根据权利要求1所述的一种城市场景下的高分遥感建筑物阴影检测方法，其特征在于：在步骤(2)中，所述建筑物阴影辐射特征包括RF1、RF2和RF3：

提取每个基本分析单元的灰度直方图，计算该灰度直方图与训练样本集中所有已标记样本的灰度直方图的欧式距离均值作为RF1；

将原始影像的红、绿、蓝波段转换至HSV空间，在色调H影像中提取每个基本分析单元的灰度直方图，在色调H影像中结合已标记样本计算欧式距离均值最为RF2；

计算绿色波段与蓝色波段的差值影像，在该差值影像中获得每个基元与已标记样本的欧式距离均值作为RF3。

3.根据权利要求1所述的一种城市场景下的高分遥感建筑物阴影检测方法，其特征在于：在计算分形计盒维数时，尺度参数r取基本分析单元的最大内切圆的直径；在计算空间几何变化率时，尺度参数r₁为基本分析单元的内切圆直径，尺度参数r₂为基本分析单元的外接圆直径；在计算分形拟合误差时，设定尺度参数总数m＝2。

4.根据权利要求1所述的一种城市场景下的高分遥感建筑物阴影检测方法，其特征在于，在步骤(4)中，在SVM分类器中，设建筑物阴影类和非建筑物阴影类的决策函数为：

上式中，x_i为候选样本，y_i为x_i所对应的标号，α_i为Lagrange乘子，K为样本容量，b为确定最优超平面的参数，(x_i·x)为两个向量的点积；

在主动学习过程中，基于SSIM的用户可信度阈值选择策略来对样本进行精炼：分别计算当前样本与前一个属于建筑物阴影类或非建筑物阴影类的已标注样本间的SSIM，设当前样本与前一个已标记样本所对应的向量分别为X和Y，两个样本之间的SSIM由下式计算得到：

上式中，μ_x，μ_y，σ_x，σ_y，

σ_xy分别是X与Y的均值、标准差、方差和协方差；

在主动学习每一次迭代过程中，只有当该样本与当前超平面的距离最小，且SSIM大于0.5时，才对该样本进行标注。

Images