常见遥感阴影去除算法研究
基于遥感影像的归一化植被指数算法研究
总第84期第3期基于遥感影像的归一化植被指数算法研究符思涛周云（遥感信息工程学院07023信箱湖北武汉430079）摘要植被归一化指数研究是遥感应用的主要领域，同时也是遥感学科的重要的研究问题。
基于遥感影像的归一化植被指数研究方法和理论随着计算机算法的发展有了很大的进步，在介绍了植被指数概念的基础上阐述了NDVI的特征及其优势,同时也通过编写程序实现了对遥感影像的归一化植被指数的提取。
此外，通过利用遥感软件ERDAS IMAGINE9.1对遥感影像进行植被指数的提取,对提取结果进行了对比分析，从而优化了自编程序算法。
关键词遥感归一化植被指数（NDVI）ERDAS IMAGINE1概述1.1植被指数广义上的植被指数是指利用卫星不同波段探测数据组合而成的，能反映植物生长状况的指数。
植物叶面在可见光红光波段有很强的吸收特性，在近红外波段有很强的反射特性，这是植被遥感监测的物理基础，通过这两个波段测值的不同组合可得到不同的植被指数。
植被指数是对地表植被活动的简单、有效和经验的度量,这一指数在一定程度上反映着植被的演化信息。
通过大量地物光谱波段测量研究分析发现,植被红光波段0.55-0.68μm有一个强烈的吸收带,它与叶绿素密度成反比;而近红外波段0.725-1.1μm有一个较高的反射峰,它与叶绿素密度成正比。
因此,通常使用红色可见光通道(0.6-0.7μm)和近红外光谱通道(0.7-1.1μm)的组合来设计植被指数。
这两个波段归一化组合与植被的叶绿素含量、叶面积及生物量密切相关,所以植被指数便成为植被生态研究领域的基础。
1.2归一化植被指数NDVI(Normalized Difference Vegetation In-dex)归一化植被指数,又称标准化植被指数,在使用遥感图像进行植被研究以及植物物候研究中得到广泛应用,它是植物生长状态以及植被空间分布密度的最佳指示因子,与植被分布密度呈线性相关。
实验表明,NDVI对土壤背景的变化较为敏感;它是单位像元内的植被类型、覆盖形态、生长状况等的综合反映,其大小取决于植被覆盖度和叶面积指数等要素;NDVI对植被盖度的检测幅度较宽,有较好的时相和空间适应性,因此应用较广。
遥感影像融合处理方法
遥感影像融合处理方法摘要：本文介绍了遥感影像数据融合技术，并给出了融合的一些基本理论、融合处理一般步骤以及常用融合处理方法，最后简要描述了融合评价的方式方法等。
关键词：遥感影像融合融合评价1、前言将高分辨率的全色遥感影像和低分辨率的多光谱遥感影像进行融合，获得色彩信息丰富且分辨率高的遥感融合影像的过程，成为遥感影像融合。
全色影像一般具有较高空间分辨率，多光谱影像光谱信息较丰富，为提高多光谱影像的空间分辨率，可以将全色影像融合进多光谱影像。
通过影像融合既可以提高多光谱影像空间分辨率，又能保留其多光谱特性。
2、遥感影像融合一般步骤遥感影像信息融合一般流程主要分为两个阶段：图像预处理，图像融合变换。
图像预处理主要包括：几何校正及影像配准。
几何校正主要在于去除透视收缩、阴影等地形因素以及卫星扰动、天气变化、大气散射等随机因素对成像结果一致性的影响；影像配准的目的在于消除由不同传感器得到的影像在拍摄角度、时相及分辨率等方面的差异。
3 常用融合方式3.1 IHS融合IHS（亮度I、色度H、饱和度S）变换就是将影像从RGB彩色空间变换到IHS空间来实现影像融合的一种方法。
由光学、热红外和雷达(微波)等方式得到的不同波段遥感数据，合成的RGB颜色空间是一个对物体颜色属性描述系统，而IHS色度空间提取出物体的亮度、色度、饱和度，它们分别对应每个波段的平均辐射强度、数据向量和的方向及其等量数据的大小。
RGB颜色空间和IHS 色度空间有着精确的转换关系。
IHS变换法只能用三个波段的多光谱影像融合和全色影像融合。
3.2 小波融合小波变换，基于遥感影像的频域分析进行的，由于同一地区不同类型的影像，低频部分差别不大，而高频部分相差很大，通过小波变换对变换区实现分频，在分频基础上进行遥感影像的融合，常用于雷达影像SAR与TM影像的融合。
3.3 Pansharping融合Pansharping算法用于高分辨率全色影像和多光谱影像的融合生成高分辨率彩色影像，此方法要求全波段影像和多波段影像同平台、同时间（或间隔很短）获得。
遥感影像去除云阴影的高山区冰湖信息提取方法
遥感影像去除云阴影的高山区冰湖信息提取方法王志林; 冉盈盈【期刊名称】《《北京测绘》》【年(卷),期】2019(033)010【总页数】4页(P1236-1239)【关键词】云阴影; 水体指数; 光谱夹角; 冰湖【作者】王志林; 冉盈盈【作者单位】天津市规划和自然资源局地质事务中心天津300042; 天津国土资源和房屋职业学院天津300270【正文语种】中文【中图分类】P2370 引言在世界的高海拔区域,全球气候变化引起的冰川退缩导致了大量冰川湖的形成和扩张[1]。
青藏高原作为我国冰川资源的主要聚集地,在过去的半个世纪中,高原上82%的冰川出现了退缩[2]。
由于冰川的加速退缩,青藏高原的喜马拉雅山地区及西藏东南部的其他地区出现了大量的冰湖,并且其数目和面积都呈现增加的趋势[3-6]。
由于冰湖溃决严重威胁高山区居民的生命财产安全与基础设施的正常运行,因此,冰湖监测在反映冰川变化和预测冰湖溃决方面显得尤为重要。
由于冰湖大多处于环境较为恶劣的高山冰川区,这样的分布特点增加了野外测量的成本和危险。
而遥感技术与地理信息系统相结合的融合应用,基本不需要的野外工作,并且具有快速地重复监测的优势,逐渐成为冰湖监测的主要手段[1,3-6]。
但是利用光学影像提取冰湖信息时,光学影像易受云等天气因素干扰,尤其在气候条件复杂的西部高山地区,完全无云覆盖的光学影像非常少,为了充分利用影像,缩短冰湖的重复监测周期,一些冰湖区没有被云覆盖的光学影像也被作为提取冰湖信息的数据源,但是处理上述影像时,云阴影的存在成为影响冰湖信息提取的主要误差院源。
为了消除云阴影的影响,本文发展了一种综合光谱夹角方法和归一化水体指数的冰湖信息提取方法,并在DEM等地形信息的辅助下,更加准确自动的提取高山区的冰湖信息。
1 研究方法由于水体对可见光波段和近红外波段具有强吸收的特性,因此水体在不同波段的反射率都很低,在光学影像上显示为暗色调[7-10]。
gee遥感影像去云处理步骤
gee遥感影像去云处理步骤以GEE遥感影像去云处理步骤为标题，写一篇文章：一、简介GEE（Google Earth Engine）是由谷歌公司开发的一款基于云计算平台的遥感影像处理工具。
在遥感影像处理中，云是一个常见的干扰因素，会影响到图像的质量和可用性。
因此，去除云影响是遥感影像处理中的重要步骤之一。
本文将介绍使用GEE进行遥感影像去云处理的步骤。
二、数据准备在进行遥感影像去云处理之前，首先需要准备待处理的遥感影像数据。
通过GEE平台，可以方便地获取全球范围内的高分辨率遥感影像数据。
用户可以根据自己的需求选择合适的遥感影像数据。
三、区域选择在进行遥感影像去云处理之前，需要选择感兴趣的区域。
用户可以通过GEE平台提供的地图工具，在全球范围内进行区域选择。
选择合适的区域可以提高后续的处理效果。
四、云检测云检测是遥感影像去云处理的关键步骤之一。
GEE平台提供了多种云检测算法，用户可以根据自己的需求选择合适的算法。
常用的云检测算法包括阈值法、光谱指数法和机器学习法等。
通过对遥感影像进行云检测，可以得到每个像素点的云掩膜。
五、云修复云修复是指根据云掩膜对遥感影像进行修复，填补云缺失的像素值。
GEE平台提供了多种云修复算法，常用的有插值法和时序插值法等。
通过对云掩膜进行像素级别的云修复，可以恢复云缺失的像素值，提高遥感影像的质量。
六、质量评估在进行遥感影像去云处理之后，需要对处理后的影像质量进行评估。
常用的质量评估指标包括信噪比、均方根误差和相关系数等。
通过对处理后的影像进行质量评估，可以判断去云处理的效果是否达到预期。
七、结果导出在完成遥感影像去云处理之后，可以将处理结果导出为常见的遥感影像格式，如GeoTIFF或ENVI格式。
用户可以选择合适的导出参数，如分辨率和坐标系等。
导出后的遥感影像可以用于后续的分析和应用。
八、应用案例遥感影像去云处理在农业、森林资源管理和环境监测等领域具有广泛的应用价值。
例如，在农业领域，可以利用去云处理后的遥感影像对农田的生长情况进行监测和分析，实现精准农业管理。
高分辨率遥感数据的处理与分析方法
高分辨率遥感数据的处理与分析方法遥感技术的发展日益成熟，高分辨率遥感数据的获取量逐渐增加。
如何处理和分析这些海量数据成为遥感领域的重要研究课题。
本文将介绍高分辨率遥感数据的处理与分析方法，并探讨其在不同领域的应用。
一、数据预处理高分辨率遥感数据的预处理是数据处理的重要步骤，它包括数据去噪、辐射校正、几何校正等内容。
1. 数据去噪：高分辨率遥感数据中常常存在各种噪声，如椒盐噪声、斑点噪声等。
为了减少噪声对后续分析的影响，可以采用滤波算法对数据进行去噪处理，如中值滤波、均值滤波等。
2. 辐射校正：高分辨率遥感数据的辐射校正是将原始数据转换为物理度量的一个过程。
通过影像的辐射校正，可以消除大气、地表反射率等因素对遥感影像的影响，得到准确的反射率信息。
3. 几何校正：高分辨率遥感数据的几何校正是将影像的像素空间坐标与实际地理坐标之间建立映射关系的过程。
通过准确的几何校正，可以保证影像的空间精度，提高后续分析的可靠性。
二、数据分类与特征提取高分辨率遥感数据的分类和特征提取是将遥感影像转化为语义信息的重要工作。
1. 数据分类：数据分类是指将遥感影像中的像素根据其反射率或其他属性进行分类，以获得具有不同意义的地物信息。
常用的分类方法包括基于像元的分类、基于对象的分类和基于深度学习的分类等。
2. 特征提取：特征提取是将遥感影像中不同地物的特征进行提取和描述的过程。
常用的特征提取方法包括纹理特征提取、形状特征提取、光谱特征提取等。
通过特征提取，可以获得地物的几何、纹理和光谱等多维信息，为后续的应用提供基础。
三、数据融合与信息提取高分辨率遥感数据融合与信息提取是将多源数据融合，获取更丰富的地物信息的关键环节。
1. 数据融合：高分辨率遥感数据融合是指将不同源、不同分辨率的遥感数据进行融合，以获取更全面、更准确的地物信息。
常见的数据融合方法包括基于智能算法的融合、基于模型的融合等。
2. 信息提取：通过数据融合，可以获取到更丰富的地物信息。
多时相遥感影像变化检测方法研究进展综述
多时相遥感影像变化检测方法研究进展综述1. 本文概述随着遥感技术的飞速发展，多时相遥感影像在环境监测、资源管理、城市规划等领域发挥着越来越重要的作用。
多时相遥感影像变化检测，作为遥感影像分析的核心内容之一，旨在识别和量化不同时间点获取的遥感影像之间的变化信息。
本文旨在全面回顾和评述多时相遥感影像变化检测方法的研究进展，包括传统方法和基于深度学习的方法，以及它们在各类应用场景中的性能表现。
本文首先介绍了多时相遥感影像变化检测的基本概念、研究背景和重要性。
随后，本文详细梳理了当前主流的变化检测方法，包括基于像素、基于特征和基于决策的方法，并分析了这些方法的优缺点。
特别地，本文重点关注了近年来兴起的基于深度学习的变化检测方法，如卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等，并探讨了它们在提高变化检测精度和效率方面的潜力。
本文还讨论了变化检测方法在实际应用中面临的挑战，如数据异质性、变化类型多样性和计算复杂性等，并提出了可能的解决方案和未来研究方向。
通过本文的综述，我们期望为遥感科学和相关领域的研究者提供一个关于多时相遥感影像变化检测方法的全面了解，并激发新的研究思路和技术创新。
2. 多时相遥感影像基本概念多时相遥感影像，指的是在不同时间点对同一地区或目标进行多次遥感观测所获取的影像集合。
这些影像可以来自同一传感器，也可以来自不同传感器，但它们的共同点是都反映了同一地区在不同时间点的地表状况。
多时相遥感影像的获取，有助于我们深入了解地表的动态变化，如土地利用覆盖变化、城市扩张、自然灾害等。
多时相遥感影像的变化检测，就是通过对这些不同时间点的影像进行比较和分析，识别出地表发生的各种变化。
这种变化检测的方法，可以基于像素级、特征级或对象级进行。
像素级变化检测主要关注像素值的变化，通过比较不同时间点的像素值来识别变化区域特征级变化检测则提取影像中的特定特征，如纹理、形状等，通过比较这些特征的变化来识别地表变化对象级变化检测则是将影像分割为不同的对象，通过比较这些对象的变化来识别地表变化。
《遥感技术》实验报告
郑州大学水利与环境学院遥感技术实验报告（适用于地理信息系统专业）专业班级： ***********学生姓名： *******学生学号： ***********指导教师： ******实验成绩：***年***月实验一、遥感图像认知与输入/输出的基本操作一、实验要求1.了解遥感卫星数字影像的差异。
2.掌握查看遥感影像相关信息的基本方法。
3.掌握遥感图像处理软件ERDAS的基本视窗操作及各个图标面板的功能。
4.了解遥感图像的格式，学习将不同格式的遥感图像转换为ERDASimg格式，以及将ERDASimg 格式转换为多种指定的格式图像。
5.学习如何输入单波段数据以及如何将多波段遥感图像进行波段组合。
6.掌握在ERDAS系统中显示单波段和多波段遥感图像的方法。
二、实验内容1.遥感图像文件的信息查询。
2.空间分辨率。
3.遥感影像纹理结构认知。
4.色调信息认知。
5.遥感影像特征空间分析。
6.矢量化。
7.遥感图像的格式。
8.数据输入/输出。
9.波段组合。
10.遥感图像显示。
三、实验结果及分析：简述矢量功能在ERDAS中的意义。
矢量功能可以将栅格数据转化为矢量数据。
矢量数据有很多优点：1.矢量数据由简单的几何图元组成，表示紧凑，所占存储空间小。
2.矢量图像易于进行编辑。
3.用矢量表示的对象易于缩放或压缩，且不会降低其在计算机中的显示质量。
四、实验结果及分析：简述不同传感器的卫星影像的特点和目视效果。
SPOT卫星最大的优势是最高空间分辨率达10m，并且SPOT卫星的传感器带有可以定向的发射镜，使仪器具有偏离天底点（倾斜）观察的能力，可获得垂直和倾斜的图像。
因而其重复观察能力由26天提高到1~5天，并在不同的轨道扫面重叠产生立体像对，可以提供立体观测地面、描绘等高线，进行立体绘图的和立体显示的可能性。
CBRES的轨道是太阳同步近极地轨道，轨道高度是778km，卫星的重访周期是26天，其携带的传感器的最高空间分辨率是19.5m。
基于L1范数优化模型的遥感图像条纹去除方法
第40卷第2期2021年4月红外与毫米波学报J.Infrared Millim.Waves Vol.40，No.2 April，2021基于L1范数优化模型的遥感图像条纹去除方法李凯1，2，3，李文力1，2，3，韩昌佩1，2*（1.中国科学院上海技术物理研究所，上海200083；2.中国科学院红外探测与成像技术重点实验室，上海200083；3.中国科学院大学，北京100049）摘要：从条纹噪声的结构属性进行分析，通过分离出条纹成分来实现去条纹的目的。
在优化模型中，基于L1范数的正则化表示条纹的全局稀疏特性；基于差分的约束条件用于描述条纹方向上的平滑度和条纹垂直方向上的不连续性。
为了更好地保护图像的细节信息，在条纹垂直方向的约束上引入了边缘权重因子，最后通过交替方向乘子法（ADMM）对所提模型进行求解和优化。
用多通道扫描辐射计（AGRI）获取的在轨数据对算法进行了验证并与典型方法进行了比较，结果表明，消除条纹噪声的同时更好地保留了细节信息，并且呈现出较好的定性和定量结果。
关键词：L1稀疏优化模型；图像去条纹；边缘权重因子；交替方向乘子法；AGRI图像中图分类号：TP751.1文献标识码：AThe method based on L1norm optimization modelfor stripe noise removal of remote sensing imageLI Kai1，2，3，LI Wen-Li1，2，3，HAN Chang-Pei1，2*（1.Shanghai Institute of Technical Physics，Chinese Academy of Sciences，Shanghai200083，China；2.Key Laboratory of Infrared Detection and Imaging Technology，Chinese Academy of Sciences，Shanghai200083，China；3.University of Chinese Academy of Sciences，Beijing100049，China）Abstract：Structural properties of stripe noise are analyzed and the purpose of destriping is achieved by separating the stripe components.In the proposed optimization model，the L1-norm-based is used to describe global sparse property of stripes.In addition，difference-based constraints are adopted to describe the smoothness and discontinuity in the along-stripe and across-stripe directions，respectively.In order to better protect the detailed information of an image，an edge weighting factor is introduced in the constraints of across-stripe direction.Finally，the proposed model is solved and op‐timized by the alternating direction method of multipliers（ADMM）.The algorithm is verified by the in-orbit images ob‐tained by Advanced Geosynchronous Radiation Imager（AGRI）in comparison with typical destriping methods.Experi‐mental results show that the proposed algorithm completely eliminates the stripe noise and preserves more details，which shows better qualitative and quantitative result.Key words：L1sparse optimization model，image destriping，edge weighting factor，alternating direction method of multipliers，AGRI imagePACS：42.79.Pw，05.40.Ca，42.68.Sq引言条纹噪声主要是由多元探测器响应不一致而引起的［1］，通常出现在摆扫式和推扫式遥感成像系统中［2-3］。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2016年第2期
信息与电脑
China Computer&Communication
算法语言
１ 遥感阴影去除原理
遥感影像阴影去除算法根据强度域主要分为基于模型和
基于统计的方法。基于模型的方法是利用阴影定义，将影像
看成是由阴影去和非阴影区组成，利用阴影区域与非阴影区
域各自特点，如非阴影区域纹理信息丰富，非阴影区域内比
较平滑，通过滤波优化计算阴影区灰度值大小，这样就可以
得到对应非阴影区域灰度值范围。基于统计的方法是通过影
像中相似的空间地物类型的像素值，利用统计量建立阴影区
和非阴影区的联系，最后根据线性回归分析补偿阴影区域内
像素灰度值。阴影除去的具体做法一般分为图像处理和阴影
区域信息补偿的方法：阴影区域信息补偿的方法只针对阴影
区进行处理，该方法可以有效提高遥感影像的整体质量。但
是影响遥感影像阴影形成的因素复杂，该方法很难达到有效
的去除效果。目前遥感影像阴影去除一般都是采用图像处理
方法，补偿遥感影像阴影区域内像素值。
２ 常见遥感阴影去除算法
2.1 基于颜色恒常性理论的遥感影像阴影去除
颜色恒常性指人们对地物表面颜色的感知不会随地物表
面照射光线颜色的变化而变化的。在光照条件上，图像的阴
影区域和非阴影区域的差异很大，阴影区域可以看作是在非
标准光照条件下的图像，阴影去除的最终目的就是将其转换
到标准光照条件下，而在这个过程中，最关键的问题就是对
光源颜色的准确估计。Makarau A及Richter R在上世纪初提
出了经典的颜色校政模型如下：
（1）
其中，其中R
1、G1、B1为校正后的RGB值，kR
、
k
G、kB
为校正增益，D为对角矩阵。在此基础上，人们提出
Shades of Gray方法，它认为场景光源的颜色可以借助明可
夫斯基范式来估计，明可夫斯基范式如下：
（2）
上面式子中，e表示当前场景中的光源颜色，f表示图像
中的颜色分量值；k为比例系数；p为指数参数，取值范围为
[1,∞)。在认为图像全部场景都满足明可夫斯基范式的前提
下，徐秋红等人提出一种采用图片颜色恒常性来对城市航空
影像进行阴影去除的方法，该算法主要通过明可夫斯基范式
对图像的非阴影和阴影区域的光照颜色进行预测，这种估算
必须先假设场景中的光照是相同的，依照非阴影区域的光照
对阴影区域光照进行转换，最终实现阴影区域的去除。但是
该算法不能自适应估计明可夫斯基范式的p值，且阴影去除
后与非阴影区域灰度值差异大，阴影边界没有平滑过渡，不
能对分均匀阴影进行去除，见图1。
图１ 阴影去除效果
2.2 基于HSI补偿的遥感影像阴影去除
二十一世纪初期，美国科学家孟塞尔(Milan Sonka)提出
一种HSI的颜色模型，这种颜色模型参照人类的视觉系统对
于图像颜色的感知方式，将人类视觉系统感知的颜色分为色
常见遥感阴影去除算法研究
葛 琦 陈小祥
（中国矿业大学，北京 100083）
摘 要：
随着我国空间技术的迅猛发展，特别是近年传感器空间分辨率的提高，遥感影像在各种领域的应用越来越
广泛。但是，由于天气、太阳高度角、地理位置等原因，特别是建筑物或者云的遮挡所产生的阴影减少了遥感影像包含
信息，降低了遥感影像成像质量。阴影的存在给遥感影像的处理产生了严重的干扰，对图像识别、地物提取过程的处理
精度产生干扰，所以对遥感影像阴影去除方法的研究十分重要。
关键词：
遥感影像；阴影去除；软阴影；纹理；抠图
中图分类
号：TP751 文献标识码：A 文章编号：1003-9767（2016）02-085-02
作者简介：
葛琦（1989-），男，河南商丘人，硕士研究生在读。研究方向：计算机图像处理。
— ８５ —
2016年信息与电脑1下-正文（晓京返）.indd852016/2/2018:36:50
2016年第2期
信息与电脑
China Computer&Communication
算法语言
调、饱和度与强度三个特征向量。在对图像阴影进行去除时，
可以先将图像从RGB空间转换到HSI空间，有前面遥感影像
阴影特点分析得知，遥感影像的阴影区域亮度比较低，可以利
用这个特点并且结合HIS颜色空间理论对图像阴影进行去除。
即由上面理论可知，将图像从RGB颜色空间转换到
HIS颜色空间，利用阴影区域低亮度高饱和的特点，并利用
一些图像特征对阴影和临近的非阴影区域进行匹配，最终就
可以使用匹配到的阴影非阴影对对图像阴影区域进行恢复，
最后再将HSI颜色空间还原到RGB空间，实现图形阴影的
去除。在该算法中，相邻非阴影区域是利用阴影区域和阴影
投射方向得出，见图2。
图２ 阴影区域和非阴影区域
计算非阴影区域的公式如下：
P
nshadow={p｜0＜d(p,Ωshadow
)＜dist}（3）
上式中，P
nshadow
表示相邻距离阈值为dist的非阴影区域
集合；d(p,Ω
shadow
)表示在阴影投射方向上的某点到阴影区的
距离。利用上式得到阴影区域相邻的非阴影区域后，利用下
式进行阴影区域补偿。
（4）
其中，I（i,j）表示遥感影像阴影区域原来的灰度值；I（i,j）'
表示遥感影像阴影区域得到补偿后的灰度值，
m
shadow和δshadow
表示遥感影像阴影区域的均值与方差，mnshadow和δnshadow表示
相邻的遥感影像非阴影区域的均值与方差；K为亮度补偿强
度系数。由上面式子就可以将遥感影像阴影区域的像素恢复
到和遥感影像非阴影区域内的像素相似的结果，最后得到去
除后的遥感影像。
我们可以将上面的理论式子扩展到H颜色空间和V颜色
空间，利用上面的恢复式子分别对这两个颜色空间上的阴影区
域的像素进行恢复，最后再将恢复补偿后的HIS颜色空间的图
像转换到RGB颜色空间，这样就可以得到去除阴影的遥感图像。
2.3 基于Matting技术生成软阴影的阴影去除
现有的基于Matting技术的阴影去除算法，采用的是基
于颜色采样的闭合型抠图算法，但是该算法对于前景和后景
颜色过渡不明显，或者没有对全局的前景和后景颜色采样，
就会造成软阴影估计不准确，导致阴影去除效果不好。
可以将阴影图像看作是由阴影区域和非阴影区域两部分
组成，图像分为阴影区域，非阴影区域和阴影非阴影混合区域，
阴影区域对应阴影模型的阴影本影区，非阴影区域为没有阴影
的区域，阴影区域和非阴影区域混合区域表示该区域的颜色值
是由阴影区域和非阴影区域按照一定比例混合而成的，然后利
用SVM对要处理的阴影图像的阴影区域进行预测，所以训练
样本的多少和选定等问题严重影响了该算法对于遥感影像中
阴影的去除，基于Matting的遥感影像阴影去除效果，见图3。
图３ 基于Ｍａｔｔｉｎｇ的遥感影像阴影去除效果
３ 结 语
对于上面的几个常用的阴影去除算法的深入研究，我们
可以看出由于遥感影像阴影的成因非常复杂，与周围光照环
境、大气条件等有密切联系，结合上面几种比较常见的阴影
去除算法，通过实验结果我们可以看出，现存的阴影去除算
法不能很好的解决遥感影像的阴影去除，特别是在阴影区域
和非阴影区域的边界上，颜色反差大，没有渐变的过渡过程，
我们可以对基于Matting技术阴影去除算法进行改进研究，
结合遥感影像中的纹理信息对其进行改进，使其对遥感影像，
特别是全色遥感图像的处理效果变得理想。
参考文献
[1]许妙忠,余志惠.高分辨率卫星影像中阴影的自动提
取与处理[J].测绘信息与工程,2003,28(1):202-222.
[2]Makarau A, Richter R, Muller R, etc. Adaptive shadow
detection using a blackbody radiator model[J]. Geoscience and
Remote Sensing, IEEE Transactions on,2011,49(6):2049-2059.
[3]叶勤,徐秋红,谢惠洪.城市航空影像中基于颜色恒
常性的阴影消除[J].光电子·激光,2010,21(11):1706-1713.
— ８６ —
2016年信息与电脑1下-正文（晓京返）.indd862016/2/2018:36:50