近日,我院柳稼航教授团队在高分辨率遥感影像场景理解方面取得研究进展,研究成果以“Shadow Detection in Remote Sensing Images Based on Spectral Radiance Separability Enhancement”(基于光谱辐射可分离性增强的遥感影像阴影检测方法)为题,于2024年5月在IEEE Transactions on Pattern Analysis and Machine Intelligence(IEEE T-PAMI)期刊上正式刊出。该刊为国内外公认的模式识别与人工智能顶级期刊,2023年度的影响因子IF=23.6。柳稼航教授为第一作者和通信作者,南京航空航天大学为第一完成单位。本项研究工作受江苏省人才计划项目资助。
一、背景与动机
研究表明,尽管物理特征是目标检测与识别最重要的基础,但在动态的成像环境中单一的物理特征无法保证模型的稳健性和适应性。基于对遥感影像阴影及其主要干扰物在不同谱段上电磁辐射差异的分析,构建了基于多物理特征的联合检测模型,以获得更高的准确性、更好的鲁棒性和更广泛的适应性。模型的总体框架如图1所示,主要由四个关键模块构成,分别是植被干扰抑制,水体干扰抑制,阴影表征变换,以及阴影分离。
水体抑制模块主要利用内陆水体在绿波段的反射率较蓝波段高这一特点,构建了比值图像,由蓝波段与绿波段的比值来定义,然后该比值图像进行增强并规定化。经过上述处理后,水体亮度得到抑制,同时突出了阴影区的亮度。
图3. 水体抑制增强后的比值图像(左),阴影多特征增强后的假彩色合成影像(中)和归一色彩差异合成指数图像(右)
图4. 候选阴影区(a)、纯色指数图像CPI(b)和阴影指数图像SDI(c)
图7. 测试图像E的阴影检测结果。(a) 原始图像,(b)阴影掩膜,(c)ERWSD的检测结果,(d)CPAdv-Net的检测结果,(e)本文方法的检测结果
本文基于多光谱遥感图像的几种固有辐射特性,提出了一种新颖且简洁有效的自动阴影检测方法。我们注意到,植被在红外波段的反射率较强,内陆水体在整个波段的弱反射率但在绿色波段的反射率略强于蓝色波段,阴影亮度暗但在在蓝色波段的反射率相对较强。这些物理特性为建立高性能阴影探测模型奠定了重要基础,而多光谱卫星遥感图像则为利用这些特性提供了机会。在所提出的方法中,经过变换和融合后,这些特征被转换到色彩空间中用于阴影表示,然后用主色调成分和色彩纯度指数来表示阴影。在给出阴影位置的同时,还输出了阴影的置信度而不是阴影掩膜,这为后续分析的深度融合提供了条件。同时,这种阴影表示方法还能为其他任务提供参考。实验结果表明,所提出的方法能有效地检测多光谱图像中的阴影,其性能优于现有方法,RGB-NIR 和 RGB 图像均可适用。
https://ieeexplore.ieee.org/document/10363672
江苏省南京市江宁区将军大道29号
南京航空航天大学将军路校区航天学院
邮政编码:211106