2.1　阴影检测的意义

在遥感图像成像的过程中，由于直射光被地物遮挡而在地表形成阴影区域。阴影区域在一定程度上改变了投射区域内真实的地物信息，给后续遥感图像的处理带来了极大的干扰。阴影区域也存在着一定的利用价值，如可以通过遥感图像中的阴影区域对建筑物高度进行估算，利用阴影区域估算太阳光源的方向。但是随着遥感技术的发展及高分辨率遥感图像的大规模应用，阴影区域的存在会导致对特定区域的图像分析能力大幅下降。例如，在城市区域内存在着大量的建筑物，形成的成片阴影区域严重影响了对投射区域内数字地表信息的提取，从而产生错误的结果。因此，对于高分辨率遥感图像中的阴影区域进行提取是后续图像处理必不可少的步骤，对阴影区域检测的精度直接影响后续的图像处理和分析工作成功与否。

目前，针对遥感图像的阴影检测方法主要分为两类：基于非监督学习的阴影检测方法与基于监督学习的阴影检测方法。基于非监督学习的阴影检测方法通过阴影的某一特性实现对阴影区域的检测，通常的方法是利用光谱差异、几何特征、颜色空间下的阴影属性获得相关的特征参数，从而实现对阴影区域的检测。基于非监督学习的阴影检测方法不需要先验知识，但是阴影检测准确性差；而基于监督学习的阴影检测方法需要依靠大量的先验知识及训练样本。近些年，利用深度学习网络训练给定样本集从而实现对阴影区域的检测成为一个研究热点。虽然基于监督学习的阴影检测方法的精度较高，但是目前适用于基于监督学习的高分辨率遥感图像的数据样本集过少，需要耗费大量的人力对训练样本进行采集和处理。

本章研究了HSI颜色空间下的阴影特点，并提出了一种动态局部自适应的遥感图像阴影检测方法。主要内容如下：①根据阴影区域在HSI颜色空间中低亮度、高色度和高饱和度的属性，设计了一个新的多特征阴影检测通道，实现了对遥感图像阴影区域的检测并保证检测通道在复杂地物场景下的鲁棒性；②在阈值选取方面，本章充分考虑了全局粒子寻优及单个粒子邻域关系两方面，引入动态惯性权重，最终提出了动态局部自适应粒子群算法，提升了选取最佳阈值的精度，大大缩短了计算时间。