CN117252789A - 高分辨率遥感影像阴影重建方法、装置及电子设备 - Google Patents
高分辨率遥感影像阴影重建方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117252789A CN117252789A CN202311491484.XA CN202311491484A CN117252789A CN 117252789 A CN117252789 A CN 117252789A CN 202311491484 A CN202311491484 A CN 202311491484A CN 117252789 A CN117252789 A CN 117252789A
- Authority
- CN
- China
- Prior art keywords
- shadow
- image
- reconstruction
- penumbra
- remote sensing
- 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 80
- 238000001228 spectrum Methods 0.000 claims abstract description 65
- 238000005286 illumination Methods 0.000 claims abstract description 43
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000001914 filtration Methods 0.000 claims abstract description 19
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 230000003595 spectral effect Effects 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 13
- 239000003086 colorant Substances 0.000 claims description 11
- 230000011218 segmentation Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 10
- 238000000605 extraction Methods 0.000 description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 7
- 238000004891 communication Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 241001293511 Umbra Species 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000012805 post-processing Methods 0.000 description 4
- 238000011084 recovery Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 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
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/001—Texturing; Colouring; Generation of texture or colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10024—Color image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及遥感影像技术领域,提供一种高分辨率遥感影像阴影重建方法、装置及电子设备,方法包括:获取遥感影像;将遥感影像从RGB空间映射到CIELCh色彩空间,获取遥感影像在CIELCh色彩空间中的光谱比值图像;对光谱比值图像进行超像素重建,得到重建光谱比图像;基于自动确定的阴影阈值对重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;确定阴影图像的本影区域和半影区域,对本影区域进行光照补偿,得到本影重建图像,以及对半影区域进行均值滤波,得到半影重建图像,基于本影重建图像和半影重建图像确定重建图像。本发明可提高遥感影像进行阴影检测的精确度,以及提高阴影图像的重建效率和重建效果。
Description
技术领域
本发明涉及遥感影像技术领域,尤其涉及一种高分辨率遥感影像阴影重建方法、装置及电子设备。
背景技术
高分辨率遥感影像可以高效地采集感兴趣区域的信息,在城市建设、环境治理、防灾减灾等领域发挥了很大作用。然而,高分辨率遥感影像受到阴影的影响极为严重。阴影的覆盖导致对应区域的地物信息损失严重,严重影响了后续的地物提取和分析。阴影区域的检测以及信息重建不仅可以从视觉上感受到阴影恢复,还对道路提取、建筑物检测以及不透水层研究等任务提供帮助。
然而由于深色物体和水体等地物的影响,阴影检测结果的精度仍有提升空间;用于阴影区域信息恢复的非阴影样本对重建效果至关重要。选择最适合的非阴影样本十分困难;日益增加的遥感数据量需要一个全自动的阴影检测和重建方法,半自动方法已不适合处理海量的含有阴影的遥感影像。
发明内容
本发明提供一种高分辨率遥感影像阴影重建方法、装置及电子设备,用以解决现有技术中上述存在的缺陷,实现提高遥感影像进行阴影检测的精确度,以及提高阴影图像的重建效率和重建效果。
本发明提供一种高分辨率遥感影像阴影重建方法,包括:
获取山区丘陵环境下的高分辨率的遥感影像;
将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
根据本发明提供的一种高分辨率遥感影像阴影重建方法,所述对所述本影区域进行光照补偿,得到本影重建图像,包括:
S1、获取所述阴影图像的阴影超像素集合,对所述超像素集合进行标记,确定超像素数量;
S2、在所述超像素集合中选取第一阴影超像素,并确定所述第一阴影超像素的相邻非阴影超像素集合,并确定相邻非阴影超像素数量;
S3、获取第一阴影超像素的第一直方图,以及获取所述相邻非阴影超像素集合的第二直方图,基于巴氏系数计算所述第一直方图和第二直方图的相似性,基于所述相似性和相邻非阴影超像素数量确定各相邻非阴影超像素的权重;
S4、基于所述第一阴影超像素和所述第一阴影超像素的像素数目获取第一阴影超像素的强度,以及基于所述超像素数量、所述相邻非阴影超像素集合的超像素的像素数目以及所述各相邻非阴影超像素的权重获取相邻非阴影超像素强度;
S5、获取所述第一阴影超像素的环境照度和直接照度的比值,基于所述比值和所述第一阴影超像素的阴影值,得到第一阴影超像素的光照补偿;
重复所述S2-S5,获取所述阴影超像素集合中的全部阴影超像素的光照补偿,得到所述本影重建图像。
根据本发明提供的一种高分辨率遥感影像阴影重建方法,所述对所述半影区域进行均值滤波,得到半影重建图像,包括:
提取所述阴影图像的阴影边界,对所述阴影边界进行膨胀操作,得到所述半影区域;
判断目标像素点是否存在于半影区域中,若所述目标像素点存在于半影区域中,基于结构内核和无阴影像素点确定所述目标像素点的重建结果,若所述目标像素点不存在于半影区域中,确定所述无阴影像素点为所述目标像素点的重建结果;
根据半影区域内的全部目标像素点的重建结果得到所述半影重建图像。
根据本发明提供的一种高分辨率遥感影像阴影重建方法,所述将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像,包括:
将所述高分辨率遥感影像由RBG空间转换为CIEXYZ色彩空间;
基于所述CIEXYZ色彩空间的XYZ三基色得到CIELAB色彩空间;
将所述CIELAB色彩空间进行几何变换得到所述CIELCh色彩空间;
确定所述遥感影像在所述CIELCh色彩空间中的亮度和色调;
基于所述亮度和色调确定所述光谱比值图像。
根据本发明提供的一种高分辨率遥感影像阴影重建方法,所述对所述光谱比值图像进行超像素重建,得到重建光谱比图像,包括:
基于简单线性迭代聚类方法对所述遥感影像进行超像素分割,得到分割超像素;
将所述分割超像素转换为区域邻接图,将颜色相似的所述区域邻接图进行合并,得到合并超像素图像;
对所述合并超像素图像进行重建,得到所述重建光谱比图像。
根据本发明提供的一种高分辨率遥感影像阴影重建方法,所述基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像,包括:
基于自动多级全局阈值确定方法得到多个待选阈值;
在所述多个待选阈值中选取阴影阈值,基于所述阴影阈值对所述超像素重建的光谱比图像进行检测分割;
将高于所述阴影阈值的物体图像作为所述非阴影图像,将低于所述阴影阈值的物体图像作为所述阴影图像。
本发明还提供一种高分辨率遥感影像阴影重建装置,包括:
获取模块,用于获取山区丘陵环境下的高分辨率的遥感影像;
映射模块,用于将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
图像重建模块,用于对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
检测模块,用于基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
重建模块,用于确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述高分辨率遥感影像阴影重建方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述高分辨率遥感影像阴影重建方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述高分辨率遥感影像阴影重建方法。
本发明提供的高分辨率遥感影像阴影重建方法、装置及电子设备,通过获取山区丘陵环境下的高分辨率的遥感影像;将遥感影像从RGB空间映射到CIELCh色彩空间,获取遥感影像在CIELCh色彩空间中的光谱比值图像;对光谱比值图像进行超像素重建,得到重建光谱比图像;基于自动确定的阴影阈值对重建光谱比图像进行检测分割,确定阴影图像和非阴影图像。通过对遥感影像进行色彩空间转换、超像素重建以及基于阈值进行自动检测分割,提高了阴影检测效率和检测精确度。
并且通过确定阴影图像的本影区域和半影区域,对本影区域进行光照补偿,得到本影重建图像,以及对半影区域进行均值滤波,得到半影重建图像,基于本影重建图像和半影重建图像确定阴影重建后的重建图像。对不同阴影区域采用不同的重建方式,提高阴影图像的重建效率和重建效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是现有技术中阴影图像的示意图;
图2是本发明提供的高分辨率遥感影像阴影重建方法的流程示意图之一;
图3是本发明提供的高分辨率遥感影像阴影重建方法的流程示意图之二;
图4是本发明提供的高分辨率遥感影像阴影重建装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前,高分辨率遥感影像可以高效地采集感兴趣区域的信息,在城市建设、环境治理、防灾减灾等领域发挥了很大作用。然而,高分辨率遥感影像受到阴影的影响极为严重。阴影的覆盖导致对应区域的地物信息损失严重,严重影响了后续的地物提取和分析。阴影区域的检测以及信息重建不仅可以从视觉上感受到阴影恢复,还对道路提取、建筑物检测以及不透水层研究等任务提供帮助。
从阴影成像机理上,阴影主要包括投射阴影(Cast Shadow)和自影(Self-shadow)两部分。
参照图1,投射阴影(Cast Shadow)是由物体阻挡太阳直射引起。自影(Self-shadow)是物体自身遮挡住太阳光所产生的阴影。投射阴影(Cast Shadow)又可以细分为本影(Umbra)和半影(penumbra)。本影(Umbra)是由于太阳直射光强被完全遮挡产生。半影(Penumbra)是由于太阳直射光强被部分遮挡形成。高分辨率遥感影像中存在的阴影主要是本影(Umbra)和半影(Penumbra)。所以本项研究中的检测和重建的阴影指的也是本影(Umbra)和半影(Penumbra)。
平原地区的阴影一般以建筑阴影居多。而山区丘陵地区的阳光遮挡物除了建筑还有山坡。在山坡较多的区域,山坡的阴影面积比建筑的阴影面积还要大。除此之外,由于山区的地形高差大,导致海拔和温度变化明显,这对水气的凝结起到了促进作用。这使得山区丘陵地区比平原地区更容易产生云。云阴影也是山区丘陵地区阴影的重要组成部分。所以说,山坡阴影、建筑阴影以及云阴影是山区丘陵地区阴影的主要组成。较多的阴影存在使得阴影信息恢复方法对山区丘陵地区格外重要。
对阴影区域进行信息恢复包括阴影检测和阴影重建两部分。阴影重建强烈依赖于阴影检测结果。目前,阴影检测方法一般包括三种类型:基于物理模型的方法、基于特征的方法和基于机器学习的方法。
尽管目前相关技术中对阴影检测和重建进行了大量的相关研究,但仍然存在以下不足:(1)由于深色物体和水体等地物的影响,阴影检测结果精度仍有提升空间;(2)用于阴影区域信息恢复的非阴影样本对重建效果至关重要。选择最适合的非阴影样本十分困难;(3)日益增加的遥感数据量需要一个全自动的阴影检测和重建方法,半自动方法已不适合处理海量的含有阴影的遥感影像。
参照图2,本发明提供一种高分辨率遥感影像阴影重建方法,包括:
步骤210、获取山区丘陵环境下的高分辨率的遥感影像;
步骤220、将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
步骤230、对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
步骤240、基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
步骤250、确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
以下对上述各步骤进行详细描述。
在上述步骤210中,获取到的遥感影像是来自于山区丘陵环境下的,此处的影像会包括深色物体和水体等地物,其阴影检测结果更具备可信度。
然后通过上述步骤220,将遥感影像从RGB空间映射到CIELCh色彩空间,并获取在CIELCh色彩空间的光谱比值图像。
CIELCh色彩空间是CIELAB色彩空间的极坐标表示,相应地,CIELCh是基于CIELAB空间的一种变体,将颜色表示为亮度(L)、色度(C)和色相(h)。其中,亮度(L)表示颜色的明暗程度,取值范围从0到100。色度(C)表示颜色的鲜艳程度,取值范围通常是正数。色相(h)表示颜色的具体颜色类别,取值范围从0到360度。CIELAB是一种基于人眼感知的颜色空间,也被称为Lab色彩空间。包括亮度(L)、a轴(从青绿到红色的范围)和b轴(从蓝色到黄色的范围)。亮度(L)同样表示颜色的明暗程度,取值范围从0到100。a轴表示颜色在红色和绿色之间的位置,取值范围通常是负数到正数。b轴表示颜色在黄色和蓝色之间的位置,取值范围通常是负数到正数。
将遥感影像转换至CIELCh色彩空间,获取其亮度(Lightness)、色度(chroma)和色调(hue),根据亮度L和色调h即可确定光谱比值图像。
其具体过程为:
将所述高分辨率遥感影像由RBG空间转换为CIEXYZ色彩空间;
基于所述CIEXYZ色彩空间的XYZ三基色得到CIELAB色彩空间;
将所述CIELAB色彩空间进行几何变换得到所述CIELCh色彩空间;
确定所述遥感影像在所述CIELCh色彩空间中的亮度和色调;
基于所述亮度和色调确定所述光谱比值图像。
具体地,首先将RGB转换为CIEXYZ色彩空间:
(1)
从XYZ三基色可以得到CIELAB色彩空间:
(2)
(3)
(4)
其中, (5)
在上述方程中,Xn, Yn, Zn为标准D65光源的参考值,即XnYnZn={95.047,100.00, 108.883}。
CIELAB色彩空间可以通过简单的几何变换转化为CIELCh色彩空间:(6)
(7)
由于缺少了太阳光的直射,阴影区域具有高色调、低强度的特征。计算像素的色调和亮度之间的比率以突出阴影与非阴影区域的值的差异:
(8)
其中 SR 是光谱比值图像,L和h 分别指的是亮度L和色调h,在计算之前归一化至[0,1]。在光谱比值图像中,阴影区域中的像素将具有比非阴影区域中的像素更高的值。
进一步地,通过上述步骤230,对光谱比值图像进行超像素重建。其过程包括:首先使用简单线性迭代聚类方法对遥感图像进行超像素分割,然后将分割的图像进行超像素合并,将合并后的超像素根据个像素均值进行重建。
其过程包括:基于简单线性迭代聚类方法对所述遥感影像进行超像素分割,得到分割超像素;
将所述分割超像素转换为区域邻接图,将颜色相似的所述区域邻接图进行合并,得到合并超像素图像;
对所述合并超像素图像进行重建,得到所述重建光谱比图像。
具体地,在本实施例中,如果直接对阴影光谱比进行阈值分割,会出现很多细小噪声,而且难以保证阴影边缘的完整性,所以对阴影光谱比图像进行超像素重建。
首先使用简单线性迭代聚类(simple linear iterative clustering)方法对遥感图像进行超像素分割。简单线性迭代聚类是一种用于图像分割的聚类算法,能够将图像分割成具有相似颜色和纹理特征的区域。SLIC算法的基本思想是在图像上生成一组紧凑的初始聚类中心,然后通过迭代的方式将每个像素分配给最近的聚类中心,直到收敛为止。
SLIC通过将搜索空间限制为与超像素大小成比例的区域,显着地减少了优化中的距离计算的数量,同时提供了对超像素的紧凑性的控制。
然而,超像素较少会导致超像素边界粗糙,较多会导致后续计算复杂度变大。为解决这一问题,先生成较多的超像素,之后进行相似的相邻超像素合并。将SLIC计算得到的超像素转为区域邻接图(Region Adjacency Graph,RAG),并逐步合并颜色相似的区域,得到最终的合并超像素图像。
之后对合并后的超像素图像进行重建,即使用每个超像素内所有像素的均值作为超像素的值。假设遥感影像被分割 n 个超像素,每个超像素包含 mi 个像素,那么重建后的像素比可表示为:
(9)
其中,SRj 为像素j的SR值。
通过上述步骤240,通过自动确定阈值来实现遥感影像的全自动阴影提取。由于深色物体、水体和阴影往往位于光谱比直方图的同一侧。若使用二分类确定阈值法,可能会将深色物体和水体误提取。因此,本实施例中可使用自动多级全局阈值确定方法得到多个阈值,取其中最大的阈值为阴影阈值。将超像素重建的光谱比图像阈值化为二进制掩码,可以更好地从深色物体和水体中将阴影分割出来。
具体如下步骤:
基于自动多级全局阈值确定方法得到多个待选阈值;
在所述多个待选阈值中选取阴影阈值,基于所述阴影阈值对所述超像素重建的光谱比图像进行检测分割;
将高于所述阴影阈值的物体图像作为所述非阴影图像,将低于所述阴影阈值的物体图像作为所述阴影图像。
最后,通过上述步骤250,对分割检测后得到的阴影图像进行分区域重建,也就是说,遥感影像中提取到的阴影图像由本影(Umbra)和半影(Penumbra)组成。其中,本影只受到环境光强的影响,半影由环境光强和动态衰减的太阳直射光强组成。将阴影重建分为本影补偿和半影后处理两部分,分别对本影区域和半影区域进行重建之后,将两部分区域的重建图像进行组合,便得到最终的阴影重建图像。
本发明提供的高分辨率遥感影像阴影重建方法,通过获取山区丘陵环境下的高分辨率的遥感影像;将遥感影像从RGB空间映射到CIELCh色彩空间,获取遥感影像在CIELCh色彩空间中的光谱比值图像;对光谱比值图像进行超像素重建,得到重建光谱比图像;基于自动确定的阴影阈值对重建光谱比图像进行检测分割,确定阴影图像和非阴影图像。通过对遥感影像进行色彩空间转换、超像素重建以及基于阈值进行自动检测分割,提高了阴影检测效率和检测精确度。
并且通过确定阴影图像的本影区域和半影区域,对本影区域进行光照补偿,得到本影重建图像,以及对半影区域进行均值滤波,得到半影重建图像,基于本影重建图像和半影重建图像确定阴影重建后的重建图像。对不同阴影区域采用不同的重建方式,提高阴影图像的重建效率和重建效果。
进一步地,需要补充说明的是,在理想状态下,阴影图像重建的过程如下所示:
对于影像中任意一个像素点i的值Ii可表示为该像素点的光强度(intensity)Li与该点反射率Ri的乘积:
(10)
光强度(light intensity)包括直接强度(Direct intensity)和环境强度(Ambient intensity):直接照度直接来自太阳辐射,环境照度主要是由天空散射引起的。影像中非阴影区域和阴影区域的像素值可以计算为:
(11)
其中Iunshaded,i是非阴影像素的值,Ishaded,i是阴影像素的值,Ld 是直射光的强度,Le 是环境光的强度。Ri 是像素的反射率,ki 表示直射光强度的衰减因子。如果像素仅被环境光照射,即处于本影区域,则ki为0。如果像素仅被环境光和部分直射光照射,即处于半影区域,则ki为(0,1)。
根据直射光和环境光之间的比率可以重新点亮阴影区域的像素 。对于任意像素i,环境照度和直接照度的比值r 可以表示为:
(12)
最终的阴影重建后像素值可以表示为:
(13)
重建的图像像素I ShadowReconstruction,i 在 k = 0(即原始像素 Ii 在本影下)时可以简化为阴影值乘以 (r + 1)。
以下给出在实际状态下的本影补偿和半影后处理过程。
参照图3,在一些实施例中,所述对所述本影区域进行光照补偿,得到本影重建图像,包括:
S1、获取所述阴影图像的阴影超像素集合,对所述超像素集合进行标记,确定超像素数量;
S2、在所述超像素集合中选取第一阴影超像素,并确定所述第一阴影超像素的相邻非阴影超像素集合,并确定相邻非阴影超像素数量;
S3、获取第一阴影超像素的第一直方图,以及获取所述相邻非阴影超像素集合的第二直方图,基于巴氏系数计算所述第一直方图和第二直方图的相似性,基于所述相似性和相邻非阴影超像素数量确定各相邻非阴影超像素的权重;
S4、基于所述第一阴影超像素和所述第一阴影超像素的像素数目获取第一阴影超像素的强度,以及基于所述超像素数量、所述相邻非阴影超像素集合的超像素的像素数目以及所述各相邻非阴影超像素的权重获取相邻非阴影超像素强度;
S5、获取所述第一阴影超像素的环境照度和直接照度的比值,基于所述比值和所述第一阴影超像素的阴影值,得到第一阴影超像素的光照补偿;
重复所述S2-S5,获取所述阴影超像素集合中的全部阴影超像素的光照补偿,得到所述本影重建图像。
本实施例为阴影图像的半影区域进行光照补偿的具体过程。
在本实施例中,由于相近的事物关联更紧密,每个超像素和与其相邻的超像素最有可能具有相同的属性。如果没有阴影的影响,那么相邻的超像素接收太阳辐射最相近。所以利用与阴影超像素相邻的非阴影超像素对该阴影超像素进行光照重建最为准确。地物被阴影遮挡后,整体强度降低,但是直方图的走势基本一致。所以,相邻超像素中直方图的走势最为接近的贡献值越大。
在本实施例的详细步骤如下所示:
S1、将所有阴影超像素集合标记为SPshaded,超像素个数为S。
S2、获取第一个阴影超像素SPshaded,1的相邻非阴影超像素集合:,S1为SPshaded,1的相邻非阴影超像素的个数。
S3、计算SPshaded,1和SPnear中超像素的直方图,1 和/>,利用巴氏系数/>计算直方图的相似性,进而计算每个超像素的权重/>:
(14)
(15)
(16)
(17)
S4、计算SPshaded,1的强度和相邻非阴影区域的强度,进而得出比率:
(18)
(19)
其中,P为SPshaded,1的像素数目,Q为SPnear中超像素的像素数目。
S5、计算SPshaded,1对应的环境照度和直接照度的比值r1,进而得到SPshaded,1进行本影补偿后的结果为SPShadowReconstruction,1:
(20)
(21)
S6、对剩余的阴影超像素重复步骤S2-S5,直至全部阴影超像素进行光照补偿。
本实施例通过利用利用与阴影超像素相邻的非阴影超像素对该阴影超像素进行光照重建,实现对本影区域的阴影图像进行光照补偿,因而能够提升光照重建的准确性。
在一些实施例中,所述对所述半影区域进行均值滤波,得到半影重建图像,包括:
提取所述阴影图像的阴影边界,对所述阴影边界进行膨胀操作,得到所述半影区域;
判断目标像素点是否存在于半影区域中,若所述目标像素点存在于半影区域中,基于结构内核和无阴影像素点确定所述目标像素点的重建结果,若所述目标像素点不存在于半影区域中,确定所述无阴影像素点为所述目标像素点的重建结果;
根据半影区域内的全部目标像素点的重建结果得到所述半影重建图像。
具体地,本实施例为半影区域的阴影图像重建过程。
需要说明的是,半影处在本影和非阴影的过渡区域,使用自动多级阈值提取的阴影只包含半影的部分区域。较暗的半影会被提取为阴影,经过本影补偿后会出现过补偿现象。较亮的半影不会被提取出来,进而不会进行光照补偿,出现欠补偿现象。所以需要对半影区域进行后处理。
首先提取阴影图像的阴影边界,对阴影边界进行膨胀操作,得到半影区域;
(22)
需要说明的是,膨胀因子根据结构内核使阴影边界中的值增长。然后对目标像素点进行均值滤波,以缓解半影区域光照补偿的异常。需要判断目标像素点是否存在于半影区域中,若目标像素点存在于半影区域中,基于结构内核和无阴影像素点确定目标像素点的重建结果,若目标像素点不存在于半影区域中,确定无阴影像素点为目标像素点的重建结果;
(23)
重复上述步骤,获取半影区域内的全部目标像素点的重建结果,根据半影区域内的全部目标像素点的重建结果得到半影重建图像。
本实施例通过半影后处理对半影区域进行均值滤波处理,从而对半影区域内的像素点进行阴影重建,能够缓解半影区域因光照补偿造成的异常,提高了阴影重建的效果。
以下对本申请的阴影检测和阴影重建的效果进行描述。
为了定量分析不同方法的性能,使用精确率、召回率和F1分数评估结果的精度。精确率是指阴影检测结果中的正样本中真正为正样本的比例。召回率是指成功检测的阴影正样本占地面真实值中所有正样本的比例。F1分数是二者的调和分数,计算公式如下:
经过计算得到山坡阴影的检测精度如表1所示。本发明的F1为94.77%为比其他两汇总方法分别高出了4.39%和6.30%。精确率的提升比召回率的提升明显,主要是因为在阴影和山坡交界处误提较少。建筑阴影的检测精度如表2所示。本发明的F1达到了89.66%。建筑阴影检测的表现不如山坡阴影检测,原因主要是因为分散的小面积建筑阴影比集中的大面积山坡阴影比更难识别。这也是为什么其他两种方法仅仅78.02%和71.94%的F1的原因。云阴影的检测精度如表3所示。本发明依旧取得了最高的F1,为93.05%。虽然召回率分别降低了3.07%和3.32%,但是精准率提升巨大,分别为26.21%和16.82%。的阴影检测方法在三种阴影情况下都表现出了最高性能水平,为下一步的阴影重建提供了基础保障。
表1 山坡阴影的检测性能
表2 建筑阴影的检测性能
表3 云阴影的检测性能
由于无法获得同一区域同一时间无阴影的影像,所以无法对阴影重建进行直接的定量评估。使用Wang et al.提出的建筑物提取模型对阴影重建后的图像进行了建筑物提取实验。以建筑物提取定量结果来间接定量评价阴影重建的效果。表4显示了经过不同阴影重建方法后建筑物提取定量结果。相对于没有经过处理的遥感图像,Silva et al.的方法对建筑物提取起到了3.59% (F1) 的提升。Zhou et al.的方法对建筑物提取起到了负面作用,可能是由于该方法将建筑物色彩拉伸到和周围地物类似有关。虽然在可视化角度上对阴影进行了色彩调整,但是调整幅度过大导致光谱信息偏差过大。本发明对阴影区域的建筑物提取取得了巨大的提升。准确率、召回率以及F1分别提升了14.47%、30.95%以及24.83%。对经过不同阴影重建方法后建筑物提取结果进行了可视化显示。
表4 不同阴影重建方法后建筑物提取的定量结果
下面对本发明提供的高分辨率遥感影像阴影重建装置进行描述,下文描述的高分辨率遥感影像阴影重建装置与上文描述的高分辨率遥感影像阴影重建方法可相互对应参照。
参照图4,本发明提供的高分辨率遥感影像阴影重建装置,包括以下模块,
获取模块410,用于获取山区丘陵环境下的高分辨率的遥感影像;
映射模块420,用于将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
图像重建模块430,用于对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
检测模块440,用于基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
重建模块450,用于确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
本发明提供的高分辨率遥感影像阴影重建装置,通过获取山区丘陵环境下的高分辨率的遥感影像;将遥感影像从RGB空间映射到CIELCh色彩空间,获取遥感影像在CIELCh色彩空间中的光谱比值图像;对光谱比值图像进行超像素重建,得到重建光谱比图像;基于自动确定的阴影阈值对重建光谱比图像进行检测分割,确定阴影图像和非阴影图像。通过对遥感影像进行色彩空间转换、超像素重建以及基于阈值进行自动检测分割,提高了阴影检测效率和检测精确度。
并且通过确定阴影图像的本影区域和半影区域,对本影区域进行光照补偿,得到本影重建图像,以及对半影区域进行均值滤波,得到半影重建图像,基于本影重建图像和半影重建图像确定阴影重建后的重建图像。对不同阴影区域采用不同的重建方式,提高阴影图像的重建效率和重建效果。
在一些实施例中,所述对所述本影区域进行光照补偿,得到本影重建图像,包括:
S1、获取所述阴影图像的阴影超像素集合,对所述超像素集合进行标记,确定超像素数量;
S2、在所述超像素集合中选取第一阴影超像素,并确定所述第一阴影超像素的相邻非阴影超像素集合,并确定相邻非阴影超像素数量;
S3、获取第一阴影超像素的第一直方图,以及获取所述相邻非阴影超像素集合的第二直方图,基于巴氏系数计算所述第一直方图和第二直方图的相似性,基于所述相似性和相邻非阴影超像素数量确定各相邻非阴影超像素的权重;
S4、基于所述第一阴影超像素和所述第一阴影超像素的像素数目获取第一阴影超像素的强度,以及基于所述超像素数量、所述相邻非阴影超像素集合的超像素的像素数目以及所述各相邻非阴影超像素的权重获取相邻非阴影超像素强度;
S5、获取所述第一阴影超像素的环境照度和直接照度的比值,基于所述比值和所述第一阴影超像素的阴影值,得到第一阴影超像素的光照补偿;
重复所述S2-S5,获取所述阴影超像素集合中的全部阴影超像素的光照补偿,得到所述本影重建图像。
在一些实施例中,所述对所述半影区域进行均值滤波,得到半影重建图像,包括:
提取所述阴影图像的阴影边界,对所述阴影边界进行膨胀操作,得到所述半影区域;
判断目标像素点是否存在于半影区域中,若所述目标像素点存在于半影区域中,基于结构内核和无阴影像素点确定所述目标像素点的重建结果,若所述目标像素点不存在于半影区域中,确定所述无阴影像素点为所述目标像素点的重建结果;
根据半影区域内的全部目标像素点的重建结果得到所述半影重建图像。
在一些实施例中,所述将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像,包括:
将所述高分辨率遥感影像由RBG空间转换为CIEXYZ色彩空间;
基于所述CIEXYZ色彩空间的XYZ三基色得到CIELAB色彩空间;
将所述CIELAB色彩空间进行几何变换得到所述CIELCh色彩空间;
确定所述遥感影像在所述CIELCh色彩空间中的亮度和色调;
基于所述亮度和色调确定所述光谱比值图像。
在一些实施例中,所述对所述光谱比值图像进行超像素重建,得到重建光谱比图像,包括:
基于简单线性迭代聚类方法对所述遥感影像进行超像素分割,得到分割超像素;
将所述分割超像素转换为区域邻接图,将颜色相似的所述区域邻接图进行合并,得到合并超像素图像;
对所述合并超像素图像进行重建,得到所述重建光谱比图像。
在一些实施例中,所述基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像,包括:
基于自动多级全局阈值确定方法得到多个待选阈值;
在所述多个待选阈值中选取阴影阈值,基于所述阴影阈值对所述超像素重建的光谱比图像进行检测分割;
将高于所述阴影阈值的物体图像作为所述非阴影图像,将低于所述阴影阈值的物体图像作为所述阴影图像。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行高分辨率遥感影像阴影重建方法,该方法包括:
获取山区丘陵环境下的高分辨率的遥感影像;
将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的高分辨率遥感影像阴影重建方法,该方法包括:
获取山区丘陵环境下的高分辨率的遥感影像;
将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的高分辨率遥感影像阴影重建方法,该方法包括:
获取山区丘陵环境下的高分辨率的遥感影像;
将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种高分辨率遥感影像阴影重建方法,其特征在于,包括:
获取山区丘陵环境下的高分辨率的遥感影像;
将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
2.根据权利要求1所述的高分辨率遥感影像阴影重建方法,其特征在于,所述对所述本影区域进行光照补偿,得到本影重建图像,包括:
S1、获取所述阴影图像的阴影超像素集合,对所述超像素集合进行标记,确定超像素数量;
S2、在所述超像素集合中选取第一阴影超像素,并确定所述第一阴影超像素的相邻非阴影超像素集合,并确定相邻非阴影超像素数量;
S3、获取第一阴影超像素的第一直方图,以及获取所述相邻非阴影超像素集合的第二直方图,基于巴氏系数计算所述第一直方图和第二直方图的相似性,基于所述相似性和相邻非阴影超像素数量确定各相邻非阴影超像素的权重;
S4、基于所述第一阴影超像素和所述第一阴影超像素的像素数目获取第一阴影超像素的强度,以及基于所述超像素数量、所述相邻非阴影超像素集合的超像素的像素数目以及所述各相邻非阴影超像素的权重获取相邻非阴影超像素强度;
S5、获取所述第一阴影超像素的环境照度和直接照度的比值,基于所述比值和所述第一阴影超像素的阴影值,得到第一阴影超像素的光照补偿;
重复所述S2-S5,获取所述阴影超像素集合中的全部阴影超像素的光照补偿,得到所述本影重建图像。
3.根据权利要求1所述的高分辨率遥感影像阴影重建方法,其特征在于,所述对所述半影区域进行均值滤波,得到半影重建图像,包括:
提取所述阴影图像的阴影边界,对所述阴影边界进行膨胀操作,得到所述半影区域;
判断目标像素点是否存在于半影区域中,若所述目标像素点存在于半影区域中,基于结构内核和无阴影像素点确定所述目标像素点的重建结果,若所述目标像素点不存在于半影区域中,确定所述无阴影像素点为所述目标像素点的重建结果;
根据半影区域内的全部目标像素点的重建结果得到所述半影重建图像。
4.根据权利要求1所述的高分辨率遥感影像阴影重建方法,其特征在于,所述将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像,包括:
将所述高分辨率遥感影像由RBG空间转换为CIEXYZ色彩空间;
基于所述CIEXYZ色彩空间的XYZ三基色得到CIELAB色彩空间;
将所述CIELAB色彩空间进行几何变换得到所述CIELCh色彩空间;
确定所述遥感影像在所述CIELCh色彩空间中的亮度和色调;
基于所述亮度和色调确定所述光谱比值图像。
5.根据权利要求1所述的高分辨率遥感影像阴影重建方法,其特征在于,所述对所述光谱比值图像进行超像素重建,得到重建光谱比图像,包括:
基于简单线性迭代聚类方法对所述遥感影像进行超像素分割,得到分割超像素;
将所述分割超像素转换为区域邻接图,将颜色相似的所述区域邻接图进行合并,得到合并超像素图像;
对所述合并超像素图像进行重建,得到所述重建光谱比图像。
6.根据权利要求1所述的高分辨率遥感影像阴影重建方法,其特征在于,所述基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像,包括:
基于自动多级全局阈值确定方法得到多个待选阈值;
在所述多个待选阈值中选取阴影阈值,基于所述阴影阈值对所述超像素重建的光谱比图像进行检测分割;
将高于所述阴影阈值的物体图像作为所述非阴影图像,将低于所述阴影阈值的物体图像作为所述阴影图像。
7.一种高分辨率遥感影像阴影重建装置,其特征在于,包括:
获取模块,用于获取山区丘陵环境下的高分辨率的遥感影像;
映射模块,用于将所述遥感影像从RGB空间映射到CIELCh色彩空间,获取所述遥感影像在CIELCh色彩空间中的光谱比值图像;
图像重建模块,用于对所述光谱比值图像进行超像素重建,得到重建光谱比图像;
检测模块,用于基于自动确定的阴影阈值对所述重建光谱比图像进行检测分割,确定阴影图像和非阴影图像;
重建模块,用于确定所述阴影图像的本影区域和半影区域,对所述本影区域进行光照补偿,得到本影重建图像,以及对所述半影区域进行均值滤波,得到半影重建图像,基于所述本影重建图像和半影重建图像确定阴影重建后的重建图像。
8.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述高分辨率遥感影像阴影重建方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述高分辨率遥感影像阴影重建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491484.XA CN117252789B (zh) | 2023-11-10 | 2023-11-10 | 高分辨率遥感影像阴影重建方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311491484.XA CN117252789B (zh) | 2023-11-10 | 2023-11-10 | 高分辨率遥感影像阴影重建方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252789A true CN117252789A (zh) | 2023-12-19 |
CN117252789B CN117252789B (zh) | 2024-02-02 |
Family
ID=89126634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311491484.XA Active CN117252789B (zh) | 2023-11-10 | 2023-11-10 | 高分辨率遥感影像阴影重建方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252789B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127127A (zh) * | 2007-09-29 | 2008-02-20 | 腾讯科技(深圳)有限公司 | 阴影绘制方法及渲染装置 |
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 |
US20130071016A1 (en) * | 2011-09-15 | 2013-03-21 | Microsoft Corporation | Shadow detection in a single image |
CN105631892A (zh) * | 2016-02-23 | 2016-06-01 | 武汉大学 | 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法 |
CN105654467A (zh) * | 2015-12-22 | 2016-06-08 | 河海大学 | 基于颜色恒常性特征和视觉注意机制的阴影检测方法 |
CN105740825A (zh) * | 2016-02-01 | 2016-07-06 | 福建师范大学 | 一种用于混合场景的大幅面遥感影像建筑物提取方法 |
CN107564017A (zh) * | 2017-08-29 | 2018-01-09 | 南京信息工程大学 | 一种城市高分遥感影像阴影检测及分割方法 |
CN107862667A (zh) * | 2017-11-23 | 2018-03-30 | 武汉大学 | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 |
WO2019031259A1 (ja) * | 2017-08-08 | 2019-02-14 | ソニー株式会社 | 画像処理装置および方法 |
CN110309781A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 |
CN111216923A (zh) * | 2020-01-13 | 2020-06-02 | 北京空间飞行器总体设计部 | 一种基于可视化圆的月影遮挡估计及卫星自主管理方法 |
CN111738916A (zh) * | 2020-08-21 | 2020-10-02 | 湖南省有色地质勘查研究院 | 一种基于统计学的遥感影像广义阴影光谱重建方法和系统 |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
CN113178010A (zh) * | 2021-04-07 | 2021-07-27 | 湖北地信科技集团股份有限公司 | 基于深度学习的高分影像阴影区域恢复重建方法 |
CN115456886A (zh) * | 2022-08-10 | 2022-12-09 | 同济大学 | 一种基于深度学习和光照模型的航空遥感影像阴影去除方法 |
WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
CN116167936A (zh) * | 2023-01-18 | 2023-05-26 | 中国科学院空天信息创新研究院 | 一种用于洪水监测的山体阴影去除方法及装置 |
-
2023
- 2023-11-10 CN CN202311491484.XA patent/CN117252789B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101127127A (zh) * | 2007-09-29 | 2008-02-20 | 腾讯科技(深圳)有限公司 | 阴影绘制方法及渲染装置 |
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 |
US20130071016A1 (en) * | 2011-09-15 | 2013-03-21 | Microsoft Corporation | Shadow detection in a single image |
CN105654467A (zh) * | 2015-12-22 | 2016-06-08 | 河海大学 | 基于颜色恒常性特征和视觉注意机制的阴影检测方法 |
CN105740825A (zh) * | 2016-02-01 | 2016-07-06 | 福建师范大学 | 一种用于混合场景的大幅面遥感影像建筑物提取方法 |
CN105631892A (zh) * | 2016-02-23 | 2016-06-01 | 武汉大学 | 一种基于阴影和纹理特征的航空影像建筑物损毁检测方法 |
WO2019031259A1 (ja) * | 2017-08-08 | 2019-02-14 | ソニー株式会社 | 画像処理装置および方法 |
CN107564017A (zh) * | 2017-08-29 | 2018-01-09 | 南京信息工程大学 | 一种城市高分遥感影像阴影检测及分割方法 |
CN107862667A (zh) * | 2017-11-23 | 2018-03-30 | 武汉大学 | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 |
WO2020258899A1 (zh) * | 2019-06-25 | 2020-12-30 | 东南大学 | 一种基于高分遥感影像的山地景观建筑提取方法和设备 |
CN110309781A (zh) * | 2019-07-01 | 2019-10-08 | 中国科学院遥感与数字地球研究所 | 基于多尺度光谱纹理自适应融合的房屋损毁遥感识别方法 |
CN111216923A (zh) * | 2020-01-13 | 2020-06-02 | 北京空间飞行器总体设计部 | 一种基于可视化圆的月影遮挡估计及卫星自主管理方法 |
CN111738916A (zh) * | 2020-08-21 | 2020-10-02 | 湖南省有色地质勘查研究院 | 一种基于统计学的遥感影像广义阴影光谱重建方法和系统 |
CN113178010A (zh) * | 2021-04-07 | 2021-07-27 | 湖北地信科技集团股份有限公司 | 基于深度学习的高分影像阴影区域恢复重建方法 |
WO2023000160A1 (zh) * | 2021-07-20 | 2023-01-26 | 海南长光卫星信息技术有限公司 | 高光谱遥感影像半监督分类方法、装置、设备及存储介质 |
CN115456886A (zh) * | 2022-08-10 | 2022-12-09 | 同济大学 | 一种基于深度学习和光照模型的航空遥感影像阴影去除方法 |
CN116167936A (zh) * | 2023-01-18 | 2023-05-26 | 中国科学院空天信息创新研究院 | 一种用于洪水监测的山体阴影去除方法及装置 |
Non-Patent Citations (6)
Title |
---|
FUTAO WANG ET AL.: "Flood Monitoring in the Middle and Lower Basin of the Yangtze River Using Google Earth Engine and Machine Learning Methods", 《ISPRS INTERNATIONAL JOURNAL OF GEO-INFORMATION》, vol. 12, no. 3 * |
M. GONG ET AL.: "Superpixel-Based Difference Representation Learning for Change Detection in Multispectral Remote Sensing Images", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》, vol. 55, no. 5, pages 2658 - 2673, XP011643036, DOI: 10.1109/TGRS.2017.2650198 * |
于东方;殷建平;张国敏;罗磊;: "遥感影像建筑物阴影中树木阴影的去除方法", 计算机工程, no. 12 * |
王振庆 等: "IEU-Net高分辨率遥感影像房屋建筑物提取", 《遥感学报》, vol. 25, no. 11, pages 2245 - 2254 * |
郑茜颖;王钦敏;: "一种QuickBird卫星遥感影像的阴影重建方法", 计算机工程与应用, no. 17 * |
韦鑫 等: "基于YCbCr的近景图像阴影去除方法研究", 《中国农机化学报》, vol. 41, no. 6, pages 159 - 165 * |
Also Published As
Publication number | Publication date |
---|---|
CN117252789B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Adaptive image enhancement method for correcting low-illumination images | |
Park et al. | Single image dehazing with image entropy and information fidelity | |
Jiang et al. | Image dehazing using adaptive bi-channel priors on superpixels | |
CN111275696B (zh) | 一种医学图像处理的方法、图像处理的方法及装置 | |
Li et al. | A multi-scale fusion scheme based on haze-relevant features for single image dehazing | |
CN109997351B (zh) | 用于生成高动态范围图像的方法和装置 | |
CN102855627B (zh) | 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法 | |
CN111861896A (zh) | 一种面向uuv的水下图像色彩补偿与恢复方法 | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN109272475B (zh) | 一种快速有效修复与强化水下图像颜色的方法 | |
Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
CN114519698A (zh) | 暗光环境下的设备漏油检测方法、装置、设备及存储介质 | |
CN117115033A (zh) | 基于强光抑制的电力作业现场弱光图像增强方法 | |
CN113052923B (zh) | 色调映射方法、装置、电子设备和存储介质 | |
CN112288780B (zh) | 多特征动态加权的目标跟踪算法 | |
CN117252789B (zh) | 高分辨率遥感影像阴影重建方法、装置及电子设备 | |
CN111062926B (zh) | 一种视频数据处理方法、装置及存储介质 | |
CN116740580A (zh) | 基于遥感技术的园林工程数据处理方法 | |
CN117291851A (zh) | 一种基于低秩分解和稀疏表示的多曝光图像融合方法 | |
Othman et al. | Enhanced single image dehazing technique based on hsv color space | |
CN108830834B (zh) | 一种爬索机器人视频缺陷信息自动提取方法 | |
Li et al. | Detection and compensation of shadows based on ICA algorithm in remote sensing image | |
CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
CN116263942A (zh) | 一种调整图像对比度的方法、存储介质及计算机程序产品 | |
Tang et al. | Sky-preserved image dehazing and enhancement for outdoor scenes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |