CN102147920A - 高分辨率遥感影像中的阴影检测方法 - Google Patents

高分辨率遥感影像中的阴影检测方法 Download PDF

Info

Publication number
CN102147920A
CN102147920A CN2011100489461A CN201110048946A CN102147920A CN 102147920 A CN102147920 A CN 102147920A CN 2011100489461 A CN2011100489461 A CN 2011100489461A CN 201110048946 A CN201110048946 A CN 201110048946A CN 102147920 A CN102147920 A CN 102147920A
Authority
CN
China
Prior art keywords
image
pixel
characteristic pattern
remote sensing
shadow
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
Application number
CN2011100489461A
Other languages
English (en)
Other versions
CN102147920B (zh
Inventor
陆珊
黄微
韩晓梦
廖小僮
黄睿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN2011100489461A priority Critical patent/CN102147920B/zh
Publication of CN102147920A publication Critical patent/CN102147920A/zh
Application granted granted Critical
Publication of CN102147920B publication Critical patent/CN102147920B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种高分辨率遥感影像中的阴影检测方法，首先对原始的RGB影像进行归一化处理，变换到HIS颜色空间，提取I分量，对每个像素点分别计算，得到特征图，对得到的特征图再进行拉伸，使阴影区和非阴影区的差距更明显，利用PCNN对特征图进行分割，设置合适的参数及迭代次数，能得到较为精确的阴影区域，对得到的阴影区域最优分割结果进行形态学处理，去除一些孤立的点，填补一些细小的空洞，得到精确的阴影区域，将上述检测出精确的阴影区域叠加到原始影像上后输出。该方法能消除深色植被区对阴影检测造成的影响，减少误检，提高检测精度，还能在含有复杂建筑及植被区的影像中精确地检测出阴影。

Description

高分辨率遥感影像中的阴影检测方法
技术领域
本发明涉及的是一种高分辨率遥感影像中的阴影检测方法，尤其是涉及一种基于阴影光谱特性的特征图变换以及利用脉冲耦合神经网络（PCNN）的图像分割方法。
技术背景
在高分辨率遥感图像的处理过程中，阴影对影像的影响相对严重。比如在卫星遥感影像分类中，大多数的地形或地物阴影与水体的光谱特征相混淆，很难对它们进行分类；在城市彩色航片影像中，阴影会使图像灰度发生局部变化，导致图像目标的几何特征发生变化，从而影响提取效果和变化监测效果。此外，在诸如图像匹配的算法研究中，如果两张影像的匹配区域存在阴影，将直接影响影像匹配的精度。但是阴影同样是一个信息源，里面包含了大量的关于物体表面及其反射率的信息，如果能对阴影中的信息进行增强或恢复，将有利于目标识别、地形分类和地质制图等。同时，利用阴影的几何特性还可以确定建筑物的高度信息等，为建立数字城市模型服务。要对影像上的阴影进行处理，首先必须对阴影区域进行精确的检测。
阴影特有的光谱特性在某些颜色空间中表现的更为明显，因此国内外主要用将原始影像变换到不同的颜色空间中，通过选取阴影与非阴影区域差别较大的分量，建立比值或者差值关系，再利用阈值将阴影和非阴影两部分区分开来。这些算法虽然计算复杂度不高，但这些方法需要有关于场景和传感器的先验信息，无形之中增加了限制条件；有些易造成误检，尤其在建筑物比较复杂以及深色植被区域较多的影像中，检测出的阴影往往包含很多误检区域。现有遥感影像阴影检测方法没有解决这些问题。
发明内容
本发明的目的在于针对已有技术存在的问题，提供一种高分辨率遥感影像中的阴影检测方法。该方法能消除深色植被区对阴影检测造成的影响，能够在含有复杂建筑及植被区的影像中精确地检测出阴影。
为达到上述发明目的，本发明的构思是：首先对原始的RGB影像进行归一化处理，变换到HIS颜色空间，提取I分量，对每个像素点分别计算                                                ，得到特征图，对得到的特征图再进行拉伸，使阴影区和非阴影区的差距更明显，利用PCNN对特征图进行分割，设置合适的参数及迭代次数，就能得到较为精确的阴影区域。
根据上述的发明构思，本发明采用下述技术方案：
一种高分辨率遥感影像中的阴影检测方法，其特征在于，首先对原始的RGB影像进行归一化处理，变换到HIS颜色空间，提取I分量，对每个像素点分别计算 
Figure 124818DEST_PATH_IMAGE001
，得到特征图，对得到的特征图再进行拉伸，使阴影区和非阴影区的差距更明显，利用PCNN对特征图进行分割，设置合适的参数及迭代次数，就能得到较为精确的阴影区域，其具体步骤如下：
(1)、利用航空传感器采集原始的RGB遥感影像；
(2)、对原始的RGB遥感影像进行归一化处理，变换到HIS色彩空间，提取影像的I亮度分量、计算每个像素点的特征值
Figure 41696DEST_PATH_IMAGE002
；
(3)、对每个像素点的特征值
Figure 225815DEST_PATH_IMAGE002
拉伸，得到拉伸后的特征图
Figure 526257DEST_PATH_IMAGE003
；
(4)、利用脉冲耦合神经网络（PCNN）对拉伸后的特征图进行分割，采用最大熵的方法得出最优分割结果；
(5)、对得到的阴影区域最优分割结果进行形态学处理，去除一些孤立的点，填补一些细小的空洞；
(6)、将上述检测出的阴影区域叠加到原始影像上后输出。
上述步骤(2)中所述的提取影像的亮度分量I、计算每个像素点的特征值
Figure 922341DEST_PATH_IMAGE002
，其计算式分别如下；
影像的亮度分量I的计算式为：
Figure 259388DEST_PATH_IMAGE004
                    （1）
其中R、G、B分别为每个像素点的红、绿、蓝分量，
各像素点的特征值
Figure 475343DEST_PATH_IMAGE002
的计算式为：
Figure 369087DEST_PATH_IMAGE005
               （2）
其中，
Figure 868946DEST_PATH_IMAGE002
为每一像素点的特征值。
上述步骤(3)中所述的对每个像素点的特征值
Figure 442140DEST_PATH_IMAGE002
拉伸，得到拉伸后的特征图
Figure 584540DEST_PATH_IMAGE003
，其特征图的计算式为：
Figure 200122DEST_PATH_IMAGE006
                      （3）
其中
Figure 68852DEST_PATH_IMAGE007
定义为满足条件时的值，代表像素值在比例图
Figure 949641DEST_PATH_IMAGE002
出现的概率，，
Figure 503209DEST_PATH_IMAGE012
是一个经验值，为拉伸之后的特征图。
上述步骤(4)中所述的利用脉冲耦合神经网络（PCNN）对拉伸后的特征图进行分割，用最大熵得出最优分割结果，其计算式为：
Figure 419530DEST_PATH_IMAGE013
            （4）
其中
Figure 758238DEST_PATH_IMAGE014
是接收域的
Figure 977998DEST_PATH_IMAGE015
通道，
Figure 82833DEST_PATH_IMAGE016
是外部输入，
Figure 667529DEST_PATH_IMAGE017
是相邻神经元的输出，
Figure 493534DEST_PATH_IMAGE018
是神经元的连接矩阵，
Figure 251405DEST_PATH_IMAGE019
                （5）
其中
Figure 476326DEST_PATH_IMAGE020
是接收域的
Figure 294240DEST_PATH_IMAGE021
通道，
Figure 607541DEST_PATH_IMAGE022
是相邻神经元的输出，
Figure 356054DEST_PATH_IMAGE023
是神经元的连接矩阵，
Figure 438411DEST_PATH_IMAGE024
              （6）
其中
Figure 424297DEST_PATH_IMAGE025
是内部活动信号，
Figure 224894DEST_PATH_IMAGE026
是调制参数，
Figure 324568DEST_PATH_IMAGE027
          （7）
其中是动态阈值，
Figure 355901DEST_PATH_IMAGE029
是阈值调整步长，
Figure 643794DEST_PATH_IMAGE030
为放大系数，
Figure 547159DEST_PATH_IMAGE031
             （8）
其中，
Figure 604108DEST_PATH_IMAGE032
为迭代次数，为每次迭代之后的得到的二值影像，对于每个二值影像的熵，其计算式为：
Figure 441407DEST_PATH_IMAGE034
            （9）
其中，
Figure 69834DEST_PATH_IMAGE035
、
Figure 246869DEST_PATH_IMAGE036
分别代表为1、0的概率。
在PCNN的模型参数中预设一个较大的迭代次数，求得最大的熵，此时对应的PCNN输出，即是最优的分割结果。
对这个结果进行形态学运算，去除一些孤立的斑点并填补一些细小的空洞，最终便得到精确的阴影区域。
本发明的一种高分辨率遥感影像中的阴影检测方法与现有技术相比较具有的优点与积极效果是：
1、该方法能消除深色植被区对阴影检测造成的影像，能够在含有复杂建筑及植被区的影像精确地检测出阴影。
2、该方法能够得到原始影像的特征图，对特征图进行拉伸，使阴影区和非阴影区的差别更好的体现出来，再利用脉冲耦合神经网络（PCNN）的分割方法，将阴影区和非阴影区分割开来，检测出的阴影区域叠加到原始影像上，消除深色植被区的影响，减少误检，提高阴影检测的精度，还能对含有复杂植被以及建筑物的影像有较高的检测精度。
附图说明
图1 为本发明的高分辨率遥感影像中的阴影检测方法的流程图；
图2 为本发明的航空传感器采集原始的RGB遥感影像图；
图3 为本发明检测出的阴影区域的影像图；
图4 为本发明检测出的阴影区域的影像叠加在原始RGB遥感影像的图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细的说明。
本发明的实施例采用航空传感器拍摄的原始的RGB遥感影像，如图2所示。
如图1所示，本发明的高分辨率遥感影像中的阴影检测方法，其具体步骤如下：
(1)、利用航空传感器采集原始的RGB遥感影像；
(2)、对原始的RGB遥感影像进行归一化处理，变换到HIS色彩空间，提取影像的亮度分量I 、计算每个像素点的特征值
Figure 987532DEST_PATH_IMAGE002
，得到特征图 
Figure 19073DEST_PATH_IMAGE003
，其计算如下：
影像的亮度分量I的计算式为：
Figure 629177DEST_PATH_IMAGE038
                  (1)
其中R、G、B分别为每个像素点的红、绿、蓝分量，
各像素点的特征值
Figure 110450DEST_PATH_IMAGE039
的计算式为：
Figure 893729DEST_PATH_IMAGE005
                 (2)
其中，
Figure 779777DEST_PATH_IMAGE002
为每一像素点的特征值；
(3)、对每个像素点的特征值
Figure 623099DEST_PATH_IMAGE040
进行拉伸，得到拉伸之后的特征图
Figure 552788DEST_PATH_IMAGE041
，其计算式为：
Figure 887561DEST_PATH_IMAGE006
                  (3)
其中
Figure 628115DEST_PATH_IMAGE007
为满足条件时的值，代表像素值在比例图
Figure 582460DEST_PATH_IMAGE002
出现的概率，
Figure 767585DEST_PATH_IMAGE011
，在本实施例中
Figure 461478DEST_PATH_IMAGE012
设置为0.95，
Figure DEST_PATH_IMAGE042
为拉伸之后的特征图；
(4)、利用脉冲耦合神经网络（PCNN）对拉伸后的特征图
Figure 511955DEST_PATH_IMAGE042
进行分割，用最大熵得出最优分割结果，其计算式如下：
Figure 974904DEST_PATH_IMAGE013
                  （4）
其中
Figure 81663DEST_PATH_IMAGE014
是接收域的
Figure 286289DEST_PATH_IMAGE015
通道，
Figure 314026DEST_PATH_IMAGE016
是外部输入，
Figure 631481DEST_PATH_IMAGE017
是相邻神经元的输出，
Figure 423988DEST_PATH_IMAGE018
是神经元的连接矩阵，
Figure 79091DEST_PATH_IMAGE019
                      （5）
其中
Figure 346737DEST_PATH_IMAGE020
是接收域的
Figure 36476DEST_PATH_IMAGE021
通道，
Figure 734304DEST_PATH_IMAGE022
是相邻神经元的输出，
Figure 63654DEST_PATH_IMAGE023
是神经元的连接矩阵，
Figure 137921DEST_PATH_IMAGE024
                   （6）
其中
Figure 679236DEST_PATH_IMAGE025
是内部活动信号，
Figure 547966DEST_PATH_IMAGE026
是调制参数，
Figure 177662DEST_PATH_IMAGE027
               （7）
其中
Figure 790040DEST_PATH_IMAGE028
是动态阈值，
Figure 185862DEST_PATH_IMAGE029
是阈值调整步长，
Figure 428755DEST_PATH_IMAGE030
为放大系数，
Figure 545747DEST_PATH_IMAGE031
                   （8）
其中为迭代次数，为每次迭代之后的得到的二值影像，
本实施例中
Figure 360360DEST_PATH_IMAGE043
=5，各参数的初始值设定为，，，，，
Figure 478323DEST_PATH_IMAGE049
。计算每次迭代得到的输出的熵为：
Figure 524087DEST_PATH_IMAGE034
                   （9）
熵值最大时得到的二值影像即为最优分割结果；
(5)、对阴影区域最优分割结果进行形态学处理，去除一些孤立的点，填补一些细小的空洞，得到精确的阴影区域，如图3所示；
(6)、将上述检测出的阴影区域叠加到原始影像上后输出，如图4所示。
实例：本实验结果如图3、图4所示。由特征值计算公式我们可以得到原始影像的特征图，对特征图进行拉伸，使阴影区和非阴影区的差别更好的体现出来，再利用PCNN的分割方法，可以将阴影区和非阴影区分割开来。将检测出的阴影区域叠加到原始影像上，如图4所示，阴影区域基本上被正确的检测出来，误检率很低。

Claims (4)

1.一种高分辨率遥感影像中的阴影检测方法，其特征在于，首先对原始的RGB影像进行归一化处理，变换到HIS颜色空间，提取I分量，对每个像素点分别计算                                                
Figure 843743DEST_PATH_IMAGE001
，得到特征图，对得到的特征图再进行拉伸，使阴影区和非阴影区的差距更明显，利用PCNN对特征图进行分割，设置合适的参数及迭代次数，就能得到较为精确的阴影区域，其具体步骤如下：
(1)、利用航空传感器采集原始的RGB遥感影像；
(2)、对原始的RGB遥感影像进行归一化处理，变换到HIS色彩空间，提取影像的I亮度分量、计算每个像素点的特征值
Figure 758348DEST_PATH_IMAGE002
；
(3)、对每个像素点的特征值
Figure 946359DEST_PATH_IMAGE002
拉伸，得到拉伸后的特征图
Figure 983323DEST_PATH_IMAGE003
；
 (4)、利用脉冲耦合神经网络（PCNN）对拉伸后的特征图进行分割，采用最大熵的方法得出最优分割结果；
(5)、对得到的阴影区域最优分割结果进行形态学处理，去除一些孤立的点，填补一些细小的空洞；
(6)、将上述检测出的阴影区域叠加到原始影像上后输出。
2.根据权利要求1所述的高分辨率遥感影像中的阴影检测方法，其特征在于，上述步骤(2)中所述的提取影像的亮度分量I、计算每个像素点的特征值
Figure 30955DEST_PATH_IMAGE002
，其计算式分别如下；
影像的亮度分量I的计算式为：                
              
Figure 686933DEST_PATH_IMAGE004
                    （1）
其中R、G、B分别为每个像素点的红、绿、蓝分量，
各像素点的特征值
Figure 306614DEST_PATH_IMAGE002
的计算式为：
               
Figure 124267DEST_PATH_IMAGE005
               （2）
其中，
Figure 839019DEST_PATH_IMAGE002
为每一像素点的特征值。
3.根据权利要求2所述的高分辨率遥感影像中的阴影检测方法，其特征在于，上述步骤(3)中所述的对每个像素点的特征值拉伸，得到拉伸后的特征图
Figure 320347DEST_PATH_IMAGE003
，其特征图
Figure 623414DEST_PATH_IMAGE003
的计算式为：
        
Figure 395821DEST_PATH_IMAGE006
                      （3）
其中
Figure 705187DEST_PATH_IMAGE007
定义为满足条件
Figure 787543DEST_PATH_IMAGE008
时的值，代表像素值在比例图
Figure 673700DEST_PATH_IMAGE002
出现的概率，
Figure 2011100489461100001DEST_PATH_IMAGE011
，是一个经验值，
Figure 908296DEST_PATH_IMAGE003
为拉伸之后的特征图。
4.根据权利要求3所述的高分辨率遥感影像中的阴影检测方法，其特征在于，上述步骤(4)中所述的利用脉冲耦合神经网络（PCNN）对拉伸后的特征图进行分割，用最大熵得出最优分割结果，其计算式为：
Figure 868293DEST_PATH_IMAGE013
            （4）
其中
Figure 771658DEST_PATH_IMAGE014
是接收域的
Figure 825677DEST_PATH_IMAGE015
通道，
Figure 156296DEST_PATH_IMAGE016
是外部输入，
Figure 931485DEST_PATH_IMAGE017
是相邻神经元的输出，是神经元的连接矩阵， 
Figure 471368DEST_PATH_IMAGE019
                （5）
其中
Figure 969957DEST_PATH_IMAGE020
是接收域的
Figure 966863DEST_PATH_IMAGE021
通道，
Figure 212031DEST_PATH_IMAGE022
是相邻神经元的输出，
Figure 181255DEST_PATH_IMAGE023
是神经元的连接矩阵，
              （6）
其中
Figure 334949DEST_PATH_IMAGE025
是内部活动信号，
Figure 118228DEST_PATH_IMAGE026
是调制参数，
Figure 4276DEST_PATH_IMAGE027
          （7）
其中
Figure 34548DEST_PATH_IMAGE028
是动态阈值，
Figure 3117DEST_PATH_IMAGE029
是阈值调整步长，
Figure 590087DEST_PATH_IMAGE030
为放大系数，
Figure 596220DEST_PATH_IMAGE031
             （8）
其中，
Figure 610444DEST_PATH_IMAGE032
为迭代次数，为每次迭代之后的得到的二值影像，对于每个二值影像的熵，其计算式为：
Figure 214828DEST_PATH_IMAGE034
            （9）
其中，、
Figure 198276DEST_PATH_IMAGE036
分别代表为1、0的概率。
CN2011100489461A 2011-03-02 2011-03-02 高分辨率遥感影像中的阴影检测方法 Expired - Fee Related CN102147920B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN2011100489461A CN102147920B (zh) 2011-03-02 2011-03-02 高分辨率遥感影像中的阴影检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN2011100489461A CN102147920B (zh) 2011-03-02 2011-03-02 高分辨率遥感影像中的阴影检测方法

Publications (2)

Publication Number Publication Date
CN102147920A true CN102147920A (zh) 2011-08-10
CN102147920B CN102147920B (zh) 2012-11-07

Family

ID=44422169

Family Applications (1)

Application Number Title Priority Date Filing Date
CN2011100489461A Expired - Fee Related CN102147920B (zh) 2011-03-02 2011-03-02 高分辨率遥感影像中的阴影检测方法

Country Status (1)

Country Link
CN (1) CN102147920B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298780A (zh) * 2011-08-15 2011-12-28 天津大学 一种彩色图像阴影检测方法
CN102592266A (zh) * 2012-01-04 2012-07-18 西安工程大学 基于双简化脉冲耦合神经网络的坯布疵点分割方法
CN102855627A (zh) * 2012-08-09 2013-01-02 武汉大学 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法
CN102982512A (zh) * 2012-11-28 2013-03-20 天津大学 一种百度卫星地图图像阴影检测方法
CN104809699A (zh) * 2015-04-15 2015-07-29 东南大学 基于最大熵的路面阴影抑制方法
CN105096275A (zh) * 2015-08-27 2015-11-25 南京理工大学 基于暗通道原理的单幅山脉遥感图像高程值提取方法
CN105590316A (zh) * 2015-12-11 2016-05-18 中国测绘科学研究院 面向对象的高分辨率遥感影像阴影提取方法
CN106023113A (zh) * 2016-05-27 2016-10-12 哈尔滨工业大学 基于非局域稀疏的卫星高分图像阴影区域恢复方法
CN106228553A (zh) * 2016-07-20 2016-12-14 湖南大学 高分辨率遥感图像阴影检测装置与方法
CN106296702A (zh) * 2016-08-15 2017-01-04 中国农业科学院农业信息研究所 自然环境下棉花图像分割方法及装置
CN106897681A (zh) * 2017-02-15 2017-06-27 武汉喜恩卓科技有限责任公司 一种遥感图像对比分析方法及***
CN109754440A (zh) * 2018-12-24 2019-05-14 西北工业大学 一种基于全卷积网络和均值漂移的阴影区域检测方法
CN110427950A (zh) * 2019-08-01 2019-11-08 重庆师范大学 紫色土土壤图像阴影检测方法
CN111415357A (zh) * 2020-03-19 2020-07-14 长光卫星技术有限公司 一种基于彩色影像的便携式阴影提取方法
CN112200858A (zh) * 2020-10-10 2021-01-08 长光卫星技术有限公司 基于高分辨率光学遥感图像的外浮顶油罐储量分析方法
CN116312813A (zh) * 2023-05-22 2023-06-23 上海科技大学 鉴定干细胞群代次的方法及标志物
CN117252789A (zh) * 2023-11-10 2023-12-19 中国科学院空天信息创新研究院 高分辨率遥感影像阴影重建方法、装置及电子设备

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101364304A (zh) * 2008-09-25 2009-02-11 上海交通大学 基于颜色不变性和高斯模型的阴影检测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101364304A (zh) * 2008-09-25 2009-02-11 上海交通大学 基于颜色不变性和高斯模型的阴影检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《2010 International Conference on Audio Language and Image Processing (ICALIP)》 20101125 Shan Lu, et al. Shadow Detection of Color Urban Aerial Images 1610-1613 1-4 , *
《Proceedings of the 5th World Congress on Intelligent Control and Automation》 20040619 Jianjun Huang, et al. Detection of and Compensation for Shadows in Colored Urban Aerial Images 3098-3100 1-4 , *
《电子学报》 20050430 毕英伟，等。 一种基于简化PCNN的自适应图像分割方法 647-650 1-4 , 第4期 *
《通信学报》 20020131 马义德，等。 一种基于脉冲耦合神经网络和图像熵的自动图像分割方法 46-51 1-4 第23卷, 第1期 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102298780A (zh) * 2011-08-15 2011-12-28 天津大学 一种彩色图像阴影检测方法
CN102298780B (zh) * 2011-08-15 2012-12-12 天津大学 一种彩色图像阴影检测方法
CN102592266A (zh) * 2012-01-04 2012-07-18 西安工程大学 基于双简化脉冲耦合神经网络的坯布疵点分割方法
CN102855627A (zh) * 2012-08-09 2013-01-02 武汉大学 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法
CN102855627B (zh) * 2012-08-09 2015-05-13 武汉大学 基于光谱特性和拓扑关系的城市遥感影像阴影检测方法
CN102982512A (zh) * 2012-11-28 2013-03-20 天津大学 一种百度卫星地图图像阴影检测方法
CN104809699A (zh) * 2015-04-15 2015-07-29 东南大学 基于最大熵的路面阴影抑制方法
CN105096275A (zh) * 2015-08-27 2015-11-25 南京理工大学 基于暗通道原理的单幅山脉遥感图像高程值提取方法
CN105590316A (zh) * 2015-12-11 2016-05-18 中国测绘科学研究院 面向对象的高分辨率遥感影像阴影提取方法
CN106023113A (zh) * 2016-05-27 2016-10-12 哈尔滨工业大学 基于非局域稀疏的卫星高分图像阴影区域恢复方法
CN106023113B (zh) * 2016-05-27 2018-12-14 哈尔滨工业大学 基于非局域稀疏的卫星高分图像阴影区域恢复方法
CN106228553A (zh) * 2016-07-20 2016-12-14 湖南大学 高分辨率遥感图像阴影检测装置与方法
CN106228553B (zh) * 2016-07-20 2019-07-23 湖南大学 高分辨率遥感图像阴影检测装置与方法
CN106296702A (zh) * 2016-08-15 2017-01-04 中国农业科学院农业信息研究所 自然环境下棉花图像分割方法及装置
CN106296702B (zh) * 2016-08-15 2019-08-16 中国农业科学院农业信息研究所 自然环境下棉花图像分割方法及装置
CN106897681A (zh) * 2017-02-15 2017-06-27 武汉喜恩卓科技有限责任公司 一种遥感图像对比分析方法及***
CN106897681B (zh) * 2017-02-15 2020-11-10 武汉喜恩卓科技有限责任公司 一种遥感图像对比分析方法及***
CN109754440A (zh) * 2018-12-24 2019-05-14 西北工业大学 一种基于全卷积网络和均值漂移的阴影区域检测方法
CN110427950A (zh) * 2019-08-01 2019-11-08 重庆师范大学 紫色土土壤图像阴影检测方法
CN110427950B (zh) * 2019-08-01 2021-08-27 重庆师范大学 紫色土土壤图像阴影检测方法
CN111415357A (zh) * 2020-03-19 2020-07-14 长光卫星技术有限公司 一种基于彩色影像的便携式阴影提取方法
CN111415357B (zh) * 2020-03-19 2023-04-07 长光卫星技术股份有限公司 一种基于彩色影像的便携式阴影提取方法
CN112200858A (zh) * 2020-10-10 2021-01-08 长光卫星技术有限公司 基于高分辨率光学遥感图像的外浮顶油罐储量分析方法
CN116312813A (zh) * 2023-05-22 2023-06-23 上海科技大学 鉴定干细胞群代次的方法及标志物
CN116312813B (zh) * 2023-05-22 2023-08-22 上海科技大学 鉴定干细胞群代次的方法及标志物
CN117252789A (zh) * 2023-11-10 2023-12-19 中国科学院空天信息创新研究院 高分辨率遥感影像阴影重建方法、装置及电子设备
CN117252789B (zh) * 2023-11-10 2024-02-02 中国科学院空天信息创新研究院 高分辨率遥感影像阴影重建方法、装置及电子设备

Also Published As

Publication number Publication date
CN102147920B (zh) 2012-11-07

Similar Documents

Publication Publication Date Title
CN102147920A (zh) 高分辨率遥感影像中的阴影检测方法
CN102254319B (zh) 一种多层次分割的遥感影像变化检测方法
CN109558806B (zh) 高分遥感图像变化的检测方法
CN102722891B (zh) 一种图像显著度检测的方法
WO2017084204A1 (zh) 一种二维视频流中的人体骨骼点追踪方法及***
CN102496157B (zh) 基于高斯多尺度变换及颜色复杂度的图像检测方法
CN105608473B (zh) 一种基于高分辨率卫星影像的高精度土地覆盖分类方法
CN103218832B (zh) 基于图像中全局颜色对比度和空域分布的视觉显著性算法
CN108537239A (zh) 一种图像显著性目标检测的方法
CN107358161B (zh) 一种基于遥感影像分类的海岸线提取方法及***
CN104573719A (zh) 基于图像智能分析的山火检测方法
CN102982538A (zh) 一种资源卫星多光谱图像模拟真彩色方法
CN103679677A (zh) 一种基于模型互更新的双模图像决策级融合跟踪方法
CN102881160A (zh) 一种低照度场景下的户外交通标志识别方法
CN106529472B (zh) 基于大尺度高分辨率高光谱图像的目标探测方法及装置
CN103456011A (zh) 一种利用互补信息的改进型高光谱rx异常检测方法
CN108492288B (zh) 基于随机森林的多尺度分层采样的高分卫星影像变化检测方法
Ye et al. Removing shadows from high-resolution urban aerial images based on color constancy
CN106683125A (zh) 一种基于2d/3d模态切换的rgb‑d图像配准方法
CN102063627A (zh) 基于多小波变换的自然图像和计算机生成图像的识别方法
CN110796113B (zh) 一种基于WorldView-2影像的城市蓝色地物检测方法
CN104573662B (zh) 一种云判方法和***
CN109741337B (zh) 基于Lab色彩空间的区域合并分水岭彩色遥感影像分割方法
Jiang et al. Semi-automatic building extraction from high resolution imagery based on segmentation
CN111192332B (zh) 一种基于烟雾检测的烟机控制方法以及烟机

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20121107

Termination date: 20150302

EXPY Termination of patent right or utility model