CN113763410A - 基于his结合光谱特征检测条件的图像阴影检测方法 - Google Patents
基于his结合光谱特征检测条件的图像阴影检测方法 Download PDFInfo
- Publication number
- CN113763410A CN113763410A CN202111161946.2A CN202111161946A CN113763410A CN 113763410 A CN113763410 A CN 113763410A CN 202111161946 A CN202111161946 A CN 202111161946A CN 113763410 A CN113763410 A CN 113763410A
- Authority
- CN
- China
- Prior art keywords
- image
- shadow
- color space
- component
- threshold
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 92
- 230000003595 spectral effect Effects 0.000 title claims abstract description 38
- 230000011218 segmentation Effects 0.000 claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 64
- 238000004364 calculation method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 101000891579 Homo sapiens Microtubule-associated protein tau Proteins 0.000 description 8
- 102100040243 Microtubule-associated protein tau Human genes 0.000 description 8
- 238000011156 evaluation Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000005457 Black-body radiation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于HIS结合光谱特征检测条件的图像阴影检测方法,首先基于HIS色彩空间的阴影分割,将影像由RGB色彩空间转换到HIS色彩空间,再分别提取S分量图和I分量图,运用最大类间方差法OTSU阈值分割得到阴影S1,然后进行光谱特征检测条件的阴影分割,对影像在不同光谱波段下的呈现效果分析,阴影区域不仅具有低亮度、高色调特性,还在归一化RGB的蓝色分量B′的波段上也具备较高的数值,而植被在归一化RGB的绿色分量G′中特征值较高,利用来去除植被,再通过S2={(i,j)|B′(i,j)>T_B′&&G′(i,j)<T′_G}构建光谱特征检测条件,最后进行阴影综合处理。
Description
技术领域
本发明涉及阴影检测技术领域,具体为一种基于HIS结合光谱特征检测条件的图像阴影检测方法。
背景技术
获取遥感信息的主要手段是对图像解译,由于在拍摄时刻的太阳高度角和具有一定高度的地物遮挡的影响,遥感影像中不可避免地存在阴影,从而导致了影像中的光学特性信息被减弱,影像区域的色调、形状等信息被改变,阴影的存在给图像的解译工作带来诸多困难,如加大对地物分类以及特征提取的难度等,故对高分辨率遥感影像实现检测与补偿的处理研究,具有非常重要的应用前景;
阴影的检测思路主要分成两种类型:第一类是基于模型;第二类是基于特征。基于模型类的方法是以地物几何形状、太阳高度角、传感器参数等环境条件的先验知识为依据来建立几何模型实现阴影的检测,Makarau等提出的基于黑体辐射模型根据阴影区与非阴影区照射光源的不同而导致色温不同的黑体辐射原理实现阴影区的检测,这类方法由于计算量大、计算复杂度高且应用于特定场景、先验知识难以获取,导致适用性较差。基于特征类的方法是根据阴影区在亮度、色彩、纹理等特征上与非阴影区不同,普遍采用阈值分割的方法来实现阴影的检测,细分为三种:基于纹理特征方法、基于边缘检测的方法和基于光谱特性的方法,如孙诗雅、杨树文等提出了一种基于HSL-PCA集成的GF-1影像阴影检测方法,此类方法简单易行,但是对于不同的图像检测的结果差异较大,且存在漏检率和误检率较高的问题。
发明内容
本发明的目的在于提供一种基于HIS结合光谱特征检测条件的图像阴影检测方法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供如下技术方案:一种基于HIS结合光谱特征检测条件的图像阴影检测方法,阴影检测方法包括如下步骤:
步骤S100:获取遥感图像的原始图像,基于HIS色彩空间的阴影分割将遥感图像的原始图像由RGB色彩空间转换到HIS色彩空间得到第一图像;
步骤S200:对步骤S100得到的第一图像运用归一化差值计算得到归一化差值图S’;通过归一化计算提高了计算的精度,使得到的归一化差值图S’结果更加精确。
步骤S300:对步骤S200得到的归一化差值图S’运用最大类间方法差OTSU阈值分割,得到阴影S1;
最大类间方法差OTSU是按照归一化差值图的灰度特性,将归一化差值图分成背景和目标两部分,目标即为归一化差值图中的所要获取的目标图像,背景即为除目标之外的所有图像;背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标,都会导致两部分差别变小,因此使用类间方差最大的分割意味着错分概率最小;
步骤S400:对遥感图像的原始图像进行光谱特征检测条件的阴影分割,对遥感图像的原始图像在不同光谱波段下的呈现效果进行分析;
步骤S500:对遥感图像的原始图像计算归一化RGB色彩空间中的蓝色分量B'和绿色分量G';
发现阴影S1不仅具有低亮度、高色调特性,还在归一化RGB的蓝色分量B'的波段上也具备较高的数值;且在B'特征值中阴影和绿色植被占据高端数据,而植被在归一化RGB的绿色分量G'中特征值较高,正好可以利用来去除植被;
步骤S600:将步骤S500计算得到的蓝色分量B'和绿色分量G'构建光谱特征检测条件,得到阴影集合S2;
步骤S700:接着将步骤S300中得到的阴影S1,与步骤S600中得到的阴影S2取并集的方式合并,得要阴影S,计算公式为:S=S1∪S2,可以相互补充,从而减少了影像中阴影漏检概率,达到提高检测精度的目的;
步骤S800:最后将步骤S700得到的阴影S进行优化处理得到阴影检测结果;因为在检测的结果中有许多分散的碎屑阴影,为了提高阴影区域的连续性、完整性,需要进行优化处理,消除碎屑阴影。
进一步的,步骤S100中所述的基于HIS色彩空间的阴影分割,将遥感图像的原始图像由RGB色彩空间转换到HIS色彩空间,其具体过程如下:
步骤S110:采集遥感图像的原始图像中的每个像素点的红色分量R、蓝色分量B和绿色分量G;
步骤S120:通过下列计算式得出转化为HIS色彩空间的H分量图、I分量图和S分量图,
步骤S130:在步骤S120中转化成的HIS色彩空间中分别提取S分量图和I分量图。
进一步的,步骤S200中对第一图像运用归一化差值计算得到归一化差值图S’,其计算公式如下:
S'=(S-I)/(S+I)
归一化差值(S-I)/(S+I)中的S为第一图像中的饱和度,I为第一图像中的色彩亮度。
进一步的,步骤S300中所述的运用最大类间方法差OTSU阈值分割,得到阴影S1,其具体过程如下:
步骤S310:基于HIS色彩空间,将归一化差值图S’记为I(x,y),将归一化差值图S’中的目标图像和背景图像的分割阈值记作T,属于目标图像的像素点数占整幅图像的比例记为ω0,其平均灰度记为μ0;
步骤S320:归一化差值图S’中背景图像像素点数占整幅图像的比例为ω1,其平均灰度为μ1;
步骤S330:归一化差值图S’的总平均灰度记为μ,类间方差记为g;
步骤S340:当归一化差值图S’的背景亮度小于设定亮度阈值时,并且图像的大小为M×N个像素,M为归一化差值图中的横向像素,N为归一化差值图中的纵向像素,图像中像素的灰度值小于阈值T的像素个数记作为N0,像素灰度大于阈值T的像素个数记作N1。
进一步的,步骤S300中所述的运用最大类间方法差OTSU阈值分割,得到阴影S1,其具体计算公式如下:
ω0=N0/M×N
ω1=N1/M×N
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
将μ=ω0*μ0+ω1*μ1带入g=ω0(μ0-μ)^2+ω1(μ1-μ)^2中,得到等价公式:g=ω0ω1(μ0-μ1)^2,采用遍历的方法得到使类间方差最大的阈值T,即为所求S1;
遍历的方法为:将j设为阈值,以归一化差值图S’中的目标图像和背景图像为基础,按照计算类间差公式计算类间差gj,i从1开始取值每次加1直到255,最后比较gj,选取最大的gj即为最大的类间差,最大类间差gj所对应的j就是最佳的阈值T。
进一步的,步骤S500中所述蓝色分量B′和所述绿色分量G′,具体计算过程如下:
R为所述遥感图像中每个像素点的红色分量,G为所述遥感图像中每个像素点的绿色分量,B为所述遥感图像中每个像素点的蓝色分量;
进一步的,步骤S600中得到的阴影集合S2,其具体过程如下;
步骤S610:首先对步骤S500中的B′分量采用限定条件{I<T_I},I是HIS色彩空间中的色彩亮度分量,T_I是I分量图的OTSU阈值;
步骤S620:对满足限定条件{I<T_I}的B′像素集合S_B′,进行最大类间差方法,获取的阈值就是T_B′;
步骤S630:利用计算公式得到阴影集合S2:S2={(i,j)|B′(i,j)>T_B′&&G′(i,j)<T′_G},所述的T_G′特征阈值由最大类间差OSTU方法获得,其中(i,j)为基于RGB色彩空间遥感图像中的像素点坐标,T_B′为在RGB色彩空间中获取的遥感图像蓝色分量的特征阈值,T′_G为在RGB色彩空间中获取的遥感图像绿色分量的特征阈值。
进一步的,步骤S800中所述的阴影S进行优化处理,其中优化处理包括8领域降噪和连通域降噪,8领域降噪针对阴影S中的小阴影的消除,连通域降噪针对阴影S中的大阴影的消除。
进一步的,所述8领域降噪具体过程如下:
将得到的阴影S进行降噪,对于检测出的每个阴影像素点,统计其周围领域像素点的灰度值为0或255的个数,其余周围领域像素点灰度值不是0或255的为小阴影,且小阴影周围都是背景黑色,设立阈值为T1,当黑色像素点个数大于T1,则将该像素点赋值为0,这样就消除了碎屑的小阴影。
进一步的,所述连通域降噪具体优化过程如下:
步骤S810:在扫描阴影S的过程中,当第i次扫描阴影S扫描到一个灰度值为255的像素点时,就将与该点连通的所有像素点的灰度值都改为i,得到一个连通域,直到阴影S中所有的像素点都扫描结束,得到i个连通域;其中,i的初始值为1;
步骤S820:接下来再次扫描所有的像素点,统计每一个灰度值对应的像素点的个数,每一个灰度值的像素点的个数对应该连通域的大小,并且不同连通域由于灰度值不同,因此每个点只计算一次,不会重复;
步骤S830:这样就统计到每个连通域的大小,再根据预设的阈值,如果该连通域大小小于阈值,则其为噪点。
进行连通域降噪是为了消除较大的碎屑阴影,因为阴影都是相互连通的,因此求出每一个相互连通的白色点的个数,如果个数很多就说明这一片像素点很有可能是字符的部分,如果一个连通域的像素个数很少,那么可以确定这一片就是背景黑色。
与现有技术相比,本发明所达到的有益效果是:本发明提出的阴影检测算法检测总错误较低,能够去除阴影中误检的水体,对水体的抗干扰性强,检测出的阴影区域连续且轮廓清晰整齐,能够较完整的提取出阴影,本算法较之MSTD算法提取的阴影在一些细节方面更加连续、算法更加简洁,检测的精度能够满足检测要求。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1是本发明一种基于HIS结合光谱特征检测条件的图像阴影检测方法的流程图;
图2是本发明一种基于HIS结合光谱特征检测条件的图像阴影检测方法的影像一检测结果;
图3是本发明一种基于HIS结合光谱特征检测条件的图像阴影检测方法的影响二检测结果;
图4是本发明一种基于HIS结合光谱特征检测条件的图像阴影检测方法的阴影检测结果统计表;
图5是本发明一种基于HIS结合光谱特征检测条件的图像阴影检测方法的影像一精度评价结果图;
图6是本发明一种基于HIS结合光谱特征检测条件的图像阴影检测方法的影像二精度评价结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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做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。
请参阅图1-3,本发明提供技术方案:一种基于HIS结合光谱特征检测条件的图像阴影检测方法,阴影检测方法包括如下步骤:
步骤S100:获取遥感图像的原始图像,基于HIS色彩空间的阴影分割将遥感图像的原始图像由RGB色彩空间转换到HIS色彩空间得到第一图像;
步骤S200:对步骤S100得到的第一图像运用归一化差值计算得到归一化差值图S’;通过归一化计算提高了计算的精度,使得到的归一化差值图S’结果更加精确;
步骤S300:对步骤S200得到的归一化差值图S’运用最大类间方法差OTSU阈值分割,得到阴影S1;
所述最大类间方法差OTSU是按照归一化差值图的灰度特性,将归一化差值图分成背景和目标两部分,目标即为归一化差值图中的所要获取的目标图像,背景即为除目标之外的所有图像;背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大,当部分目标错分为背景或部分背景错分为目标,都会导致两部分差别变小,因此使用类间方差最大的分割意味着错分概率最小;
步骤S400:对遥感图像的原始图像进行光谱特征检测条件的阴影分割,对遥感图像的原始图像在不同光谱波段下的呈现效果进行分析;
步骤S500:对遥感图像的原始图像计算归一化RGB色彩空间中的蓝色分量B'和绿色分量G';
发现阴影S1不仅具有低亮度、高色调特性,还在归一化RGB的蓝色分量B'的波段上也具备较高的数值;且在B'特征值中阴影和绿色植被占据高端数据,而植被在归一化RGB的绿色分量G'中特征值较高,正好可以利用来去除植被;
步骤S600:将步骤S500计算得到的蓝色分量B'和绿色分量G'构建光谱特征检测条件,得到阴影集合S2;
步骤S700:接着将步骤S300中得到的阴影S1,与步骤S600中得到的阴影S2取并集的方式合并,得要阴影S,计算公式为:S=S1∪S2,可以相互补充,从而减少了影像中阴影漏检概率,达到提高检测精度的目的;
步骤S800:最后将步骤S700得到的阴影S进行优化处理得到阴影检测结果;因为在检测的结果中有许多分散的碎屑阴影,为了提高阴影区域的连续性、完整性,需要进行优化处理,消除碎屑阴影。
步骤S100中所述的基于HIS色彩空间的阴影分割,将遥感图像的原始图像由RGB色彩空间转换到HIS色彩空间,其具体过程如下:
步骤S110:采集遥感图像的原始图像中的每个像素点的红色分量R、蓝色分量B和绿色分量G;
步骤S120:通过下列计算式得出转化为HIS色彩空间的H分量图、I分量图和S分量图,
步骤S130:在步骤S120中转化成的HIS色彩空间中分别提取S分量图和I分量图。
步骤S200中对第一图像运用归一化差值计算得到归一化差值图S’,其计算公式如下:
S'=(S-I)/(S+I)
归一化差值(S-I)/(S+I)中的S为第一图像中的饱和度,I为第一图像中的色彩亮度。
步骤S300中所述的运用最大类间方法差OTSU阈值分割,得到阴影S1,其具体过程如下:
步骤S310:基于HIS色彩空间,将归一化差值图S’记为I(x,y),将归一化差值图S’中的目标图像和背景图像的分割阈值记作T,属于目标图像的像素点数占整幅图像的比例记为ω0,其平均灰度记为μ0;
步骤S320:归一化差值图S’中背景图像像素点数占整幅图像的比例为ω1,其平均灰度为μ1;
步骤S330:归一化差值图S’的总平均灰度记为μ,类间方差记为g;
步骤S340:当归一化差值图S’的背景亮度小于设定亮度阈值时,并且图像的大小为M×N个像素,M为归一化差值图中的横向像素,N为归一化差值图中的纵向像素,图像中像素的灰度值小于阈值T的像素个数记作为N0,像素灰度大于阈值T的像素个数记作N1;
步骤S300中所述的运用最大类间方法差OTSU阈值分割,得到阴影S1,其具体计算公式如下:
ω0=N0/M×N
ω1=N1/M×N
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
将μ=ω0*μ0+ω1*μ1带入g=ω0(μ0-μ)^2+ω1(μ1-μ)^2中,得到等价公式:g=ω0ω1(μ0-μ1)^2,采用遍历的方法得到使类间方差最大的阈值T,即为所求S1;
遍历的方法为:将j设为阈值,以归一化差值图S’中的目标图像和背景图像为基础,按照计算类间差公式计算类间差gj,i从1开始取值每次加1直到255,最后比较gj,选取最大的gj即为最大的类间差,最大类间差gj所对应的j就是最佳的阈值T。
步骤S500中所述蓝色分量B′和所述绿色分量G′,具体计算过程如下:
R为所述遥感图像中每个像素点的红色分量,G为所述遥感图像中每个像素点的绿色分量,B为所述遥感图像中每个像素点的蓝色分量;
步骤S600中得到的阴影集合S2,其具体过程如下:
步骤S610:首先对步骤S500中的B′分量采用限定条件{I<T_I},I是HIS色彩空间中的色彩亮度分量,T_I是I分量图的0TSU阈值;
步骤S620:对满足限定条件{I<T_I}的B′像素集合S_B′,进行最大类间差方法,获取的阈值就是T_B′;
步骤S630:利用计算公式得到阴影集合S2:S2={(i,j)|B′(i,j)>T_B′&&G′(i,j)<T′_G},所述的T_G′特征阈值由最大类间差OSTU方法获得,其中(i,j)为基于RGB色彩空间遥感图像中的像素点坐标,T_B’为在RGB色彩空间中获取的遥感图像蓝色分量的特征阈值,T′_G为在RGB色彩空间中获取的遥感图像绿色分量的特征阈值。
步骤S800中所述的阴影S进行优化处理,其中优化处理包括8领域降噪和连通域降噪,8领域降噪针对阴影S中的小阴影的消除,连通域降噪针对阴影S中的大阴影的消除。
8领域降噪具体过程如下:
将得到的阴影S进行降噪,对于检测出的每个阴影像素点,统计其周围领域像素点的灰度值为0或255的个数,其余周围领域像素点灰度值不是0或255的为小阴影,且小阴影周围都是背景黑色,设立阈值为T1,当黑色像素点个数大于T1,则将该像素点赋值为0,这样就消除了碎屑的小阴影。
连通域降噪具体优化过程如下:
步骤S810:在扫描阴影S的过程中,当第i次扫描阴影S扫描到一个灰度值为255的像素点时,就将与该点连通的所有像素点的灰度值都改为i,得到一个连通域,直到阴影S中所有的像素点都扫描结束,得到i个连通域;其中,i的初始值为1;
步骤S820:接下来再次扫描所有的像素点,统计每一个灰度值对应的像素点的个数,每一个灰度值的像素点的个数对应该连通域的大小,并且不同连通域由于灰度值不同,因此每个点只计算一次,不会重复;
步骤S830:这样就统计到每个连通域的大小,再根据预设的阈值,如果该连通域大小小于阈值,则其为噪点。
进行连通域降噪是为了消除较大的碎屑阴影,因为阴影都是相互连通的,因此求出每一个相互连通的白色点的个数,如果个数很多就说明这一片像素点很有可能是字符的部分,如果一个连通域的像素个数很少,那么可以确定这一片就是背景黑色。
为了验证所提出的算法的性能,对大量高分辨率遥感影像进行阴影检测,所有的实验结果都是在NET平台借助C语言编程实现。并将本文算法与高贤君、万幼川等提出的多种光谱特征阈值检测条件结合自动阈值算法对比,多种光谱特征阈值检测条件结合自动阈值算法以下简称MSTD,列出了两幅幅具有代表性的遥感影像的测试结果,图1中(a)为所获得的的遥感影像一,(b)是影像一中人工标定的阴影区域,(c)是影像一中利用MSTD得出的阴影区域,(d)是影像一利用本申请的方法得到的阴影检测结果;图2中(a)为所获得的的遥感影像二,(b)是影像二中人工标定的阴影区域,(c)是影像二中利用MSTD得出的阴影检测结果,(d)是影像二利用本申请的方法得到的阴影检测结果;
由图2和图3可以看出MSTD和本文的方法能够较完整的提取出阴影,本文的方法较之MSTD的方法提取的阴影在一些细节方面更加连续,检测结果与人工标定的阴影区几乎完全吻合;
由图4的阴影检测统计表、图5的影像一精度评价结果和图6的影像二精度评价结果列出了两幅影像的检测精度评价,从漏检率可知,和MSTD相比,漏检率平均上升了6%;从误检率分析,和MSTD相比,本文算法平均下降12.51%,从总错误率分析,比MSTD算法平均上升3.14%,综合分析本文算法检测的精度能满足检测要求。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于,所述阴影检测方法包括如下步骤:
步骤S100:获取遥感图像的原始图像,基于HIS色彩空间的阴影分割将遥感图像的原始图像由RGB色彩空间转换到HIS色彩空间得到第一图像;
步骤S200:对步骤S100得到的第一图像运用归一化差值计算得到归一化差值图S’;
步骤S300:对步骤S200得到的归一化差值图S’运用最大类间方法差OTSU阈值分割,得到阴影S1;
步骤S400:对遥感图像的原始图像进行光谱特征检测条件的阴影分割,对遥感图像的原始图像在不同光谱波段下的呈现效果进行分析;
步骤S500:对遥感图像的原始图像计算归一化RGB色彩空间中的蓝色分量B'和绿色分量G';
步骤S600:将步骤S500计算得到的蓝色分量B'和绿色分量G'构建光谱特征检测条件,得到阴影集合S2;
步骤S700:接着将步骤S300中得到的阴影S1,与步骤S600中得到的阴影S2取并集的方式合并,得要阴影S,计算公式为:S=S1∪S2;
步骤S800:最后将步骤S700得到的阴影S进行优化处理得到阴影检测结果。
3.根据权利要求1所述的基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于:步骤S200中对第一图像运用归一化差值计算得到归一化差值图S’,其计算公式如下:
S'=(S-I)/(S+I)
所述归一化差值(S-I)/(S+I)中的S为第一图像中的饱和度,I为第一图像中的色彩亮度。
4.根据权利要求1所述的基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于:步骤S300中所述的运用最大类间方法差OTSU阈值分割,得到阴影S1,其具体过程如下:
步骤S310:基于HIS色彩空间,将归一化差值图S’记为I(x,y),将归一化差值图S’中的目标图像和背景图像的分割阈值记作T,属于目标图像的像素点数占整幅归一化差值图S’的比例记为ω0,其平均灰度记为μ0;
步骤S320:归一化差值图S’中背景图像像素点数占整幅图像的比例为ω1,其平均灰度为μ1;
步骤S330:归一化差值图S’的总平均灰度记为μ,类间方差记为g;
步骤S340:当归一化差值图S’的背景亮度小于设定亮度阈值时,并且归一化差值图S’的大小为M×N个像素,M为归一化差值图S’中的横向像素,N为归一化差值图S’中的纵向像素,归一化差值图S’中像素的灰度值小于阈值T的像素个数记作为N0,像素灰度大于阈值T的像素个数记作N1。
5.根据权利要求4所述的基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于:步骤S300中所述的运用最大类间方法差OTSU阈值分割,得到阴影S1,其具体计算公式如下:
ω0=N0/M×N
ω1=N1/M×N
N0+N1=M×N
ω0+ω1=1
μ=ω0*μ0+ω1*μ1
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2
将μ=ω0*μ0+ω1*μ1带入g=ω0(μ0-μ)^2+ω1(μ1-μ)^2中,得到等价公式:g=ω0ω1(μ0-μ1)^2,采用遍历的方法得到使类间方差最大的阈值T,即为所求S1。
所述遍历的方法为:将j设为阈值,以归一化差值图S’中的目标图像和背景图像为基础,按照计算类间差公式计算类间差gj,i从1开始取值每次加1直到255,最后比较gj,选取最大的gj即为最大的类间差,最大类间差gj所对应的j就是最佳的阈值T。
7.根据权利要求1所述的基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于:步骤S600中得到的阴影集合S2,其具体过程如下:
步骤S610:首先对步骤S500中的B'分量采用限定条件{I<T_I},I是HIS色彩空间中的色彩亮度分量,T_I是I分量图的OTSU阈值;
步骤S620:对满足限定条件{I<T_I}的B'像素集合S_B',进行最大类间差方法,获取的阈值就是T_B';
步骤S630:利用计算公式得到阴影集合S2:S2={(i,j)|B'(i,j)>T_B'&&G'(i,j)<T'_G},所述的T_G'特征阈值由最大类间差OSTU方法获得,其中(i,j)为基于RGB色彩空间遥感图像中的像素点坐标,T_B'为在RGB色彩空间中获取的遥感图像蓝色分量的特征阈值,T'_G为在RGB色彩空间中获取的遥感图像绿色分量的特征阈值。
8.根据权利要求1所述的基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于:步骤S800中所述的阴影S进行优化处理,其中优化处理包括8邻域降噪和连通域降噪,8邻域降噪针对阴影S中的小阴影的消除,连通域降噪针对阴影S中的大阴影的消除。
9.根据权利要求8所述的基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于:所述8邻域降噪具体过程如下:
将得到的阴影S进行降噪,对于检测出的每个阴影像素点,统计其周围领域像素点的灰度值为0或255的个数,其余周围领域像素点灰度值不是0或255的为小阴影,且小阴影周围都是背景黑色,设立阈值为T1,当黑色像素点个数大于T1,则将该像素点赋值为0。
10.根据权利要求8所述的基于HIS结合光谱特征检测条件的图像阴影检测方法,其特征在于:所述连通域降噪具体优化过程如下:
步骤S810:在扫描阴影S的过程中,当第i次扫描阴影S扫描到一个灰度值为255的像素点时,就将与该点连通的所有像素点的灰度值都改为i,得到一个连通域,直到阴影S中所有的像素点都扫描结束,得到i个连通域;其中,i的初始值为1;
步骤S820:接下来再次扫描所有的像素点,统计每一个灰度值对应的像素点的个数,每一个灰度值的像素点的个数对应该连通域的大小,并且不同连通域由于灰度值不同,因此每个点只计算一次,不会重复;
步骤S830:这样就统计到每个连通域的大小,再根据预设的阈值,如果该连通域大小小于阈值,则其为噪点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111161946.2A CN113763410B (zh) | 2021-09-30 | 2021-09-30 | 基于his结合光谱特征检测条件的图像阴影检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111161946.2A CN113763410B (zh) | 2021-09-30 | 2021-09-30 | 基于his结合光谱特征检测条件的图像阴影检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113763410A true CN113763410A (zh) | 2021-12-07 |
CN113763410B CN113763410B (zh) | 2022-08-02 |
Family
ID=78798554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111161946.2A Active CN113763410B (zh) | 2021-09-30 | 2021-09-30 | 基于his结合光谱特征检测条件的图像阴影检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113763410B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637301A (zh) * | 2012-03-20 | 2012-08-15 | 武汉大学 | 航空摄影过程中实时自动评定影像色彩质量的方法 |
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 |
CN104899881A (zh) * | 2015-05-28 | 2015-09-09 | 湖南大学 | 一种视频图像中运动车辆阴影检测方法 |
CN106407895A (zh) * | 2016-08-30 | 2017-02-15 | 天津天地伟业数码科技有限公司 | 基于图像灰度和Lab色彩空间的车辆阴影检测算法 |
CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及*** |
CN110796113A (zh) * | 2019-11-05 | 2020-02-14 | 洛阳师范学院 | 一种基于WorldView-2影像的城市蓝色地物检测方法 |
-
2021
- 2021-09-30 CN CN202111161946.2A patent/CN113763410B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102637301A (zh) * | 2012-03-20 | 2012-08-15 | 武汉大学 | 航空摄影过程中实时自动评定影像色彩质量的方法 |
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 |
CN104899881A (zh) * | 2015-05-28 | 2015-09-09 | 湖南大学 | 一种视频图像中运动车辆阴影检测方法 |
CN107292328A (zh) * | 2016-03-31 | 2017-10-24 | 武汉大学 | 多尺度多特征融合的遥感影像阴影检测提取方法及*** |
CN106407895A (zh) * | 2016-08-30 | 2017-02-15 | 天津天地伟业数码科技有限公司 | 基于图像灰度和Lab色彩空间的车辆阴影检测算法 |
CN110796113A (zh) * | 2019-11-05 | 2020-02-14 | 洛阳师范学院 | 一种基于WorldView-2影像的城市蓝色地物检测方法 |
Non-Patent Citations (6)
Title |
---|
HONG FANG等: "Detection of Building Shadow in Remote Sensing Imagery of Urban Areas With Fine Spatial Resolution Based on Saturation and Near-Infrared Information", 《 IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
HUI LUO等: "A Shadow Detection Method from Urban High Resolution Remote Sensing Image Based on Color Features of Shadow", 《2012 FOURTH INTERNATIONAL SYMPOSIUM ON INFORMATION SCIENCE AND ENGINEERING》 * |
JIANJUN HUANG等: "Detection of and Compensation for Shadows in Colored Urban Aerial Images", 《FIFTH WORLD CONGRESS ON INTELLIGENT CONTROL AND AUTOMATION》 * |
张先鹏等: "结合多种特征的高分辨率遥感影像阴影检测", 《自动化学报》 * |
王超等: "结合辐射与分形的高分遥感建筑物阴影检测", 《仪器仪表学报》 * |
高贤君等: "航空遥感影像阴影的自动检测与补偿", 《武汉大学学报·信息科学版》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113763410B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jonckheere et al. | Assessment of automatic gap fraction estimation of forests from digital hemispherical photography | |
US7068840B2 (en) | Determination of an illuminant of digital color image by segmentation and filtering | |
CN111915704A (zh) | 一种基于深度学习的苹果分级识别方法 | |
JP2001195591A (ja) | 画像中の空を検出する方法 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN110175556B (zh) | 基于Sobel算子的遥感图像云检测方法 | |
van Zwanenberg et al. | Edge detection techniques for quantifying spatial imaging system performance and image quality | |
CN108711160B (zh) | 一种基于hsi增强性模型的目标分割方法 | |
CN110929562A (zh) | 一种基于改进Hough变换的答题卡识别方法 | |
Zhan et al. | Quantitative analysis of shadow effects in high-resolution images of urban areas | |
CN110852207A (zh) | 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法 | |
CN111046782B (zh) | 一种用于苹果采摘机器人的果实快速识别方法 | |
Fang et al. | Detection of building shadow in remote sensing imagery of urban areas with fine spatial resolution based on saturation and near-infrared information | |
CN109583330B (zh) | 一种用于人脸照片的毛孔检测方法 | |
Shi et al. | Automatic shadow detection in high-resolution multispectral remote sensing images | |
CN113763410B (zh) | 基于his结合光谱特征检测条件的图像阴影检测方法 | |
Shi et al. | Urban feature shadow extraction based on high-resolution satellite remote sensing images | |
JP2009123234A (ja) | オブジェクト識別方法および装置ならびにプログラム | |
JP4285640B2 (ja) | オブジェクト識別方法および装置ならびにプログラム | |
WO2004028141A1 (en) | A method and system for determining and correcting image orientation angle | |
Xiaoxu et al. | Image dehazing base on two-peak channel prior | |
CN115456886A (zh) | 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 | |
CN114049571A (zh) | 高光谱影像的水体区域提取方法、装置及电子设备 | |
CN111080562B (zh) | 一种基于增强图像对比的变电场所悬挂物识别方法 | |
CN102982512B (zh) | 一种百度卫星地图图像阴影检测方法 |
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 |