2.2　阴影检测方法分类

2.2.1　基于监督学习的阴影检测方法

很多学者将传统的机器学习方法与颜色空间的阴影属性相结合，提出了一些较为高效的基于监督学习的阴影检测方法。Lorenzi基于图像中的阴影特征，首先采用支持向量机（SVM）的方法区分出阴影区域，然后利用自适应滤波器及线性插值的方法提取阴影边界。Lab模式是根据国际照明委员会（CIE）在1936年制定的一种测定颜色的国际标准建立的；1976年，经修改后被正式命名为CIELab。它是一种设备无关的颜色系统，也是一种基于生理特征的颜色系统。Yuan等首先对CIELab颜色空间进行核密度估计来定义颜色特征，然后采用直方图计算亮度特征，最后结合逻辑回归和条件随机场模型（CRF模型）训练分类器，从而实现对单幅图像的阴影区域检测。

近年来，基于卷积神经网络（CNN）的模型非常适合解决图像级的分类和回归任务。CNN通过学习基于训练数据的复杂非线性特征，对目标物体进行图像识别。基于CNN的深度学习算法已经被广泛应用在医学影像分割（癌变识别）、人脸识别、交通标志识别、物体检测及场景识别领域，均取得了较好的效果。而全卷积神经网络（FCN，2015）的提出则解决了从图像中识别特定部分物体的世界级难题。FCN算法通过对图像进行像素级分类，解决了语义级别的图像分割问题。事实上，高分辨率遥感图像阴影检测同样可以看成是一种语义分割问题。在FCN的基础上，Ronneberger等在2015年提出了U-Net框架，该方法在道路提取、阴影检测等领域取得了良好的效果。Badrinarayanan等（2017）基于FCN和VGG-16网络提出了SegNet框架，其优势在于解码器对其较低分辨率的输入特征图像进行非线性上采样，从而对图像中的物体所在区域进行语义分割。Lei等（2018）在CNN的基础上设计了递归注意残差模块及双向特征金字塔网络（BFPN），提出了BDRAR算法，可以更好地抑制错误检测结果，同时增强了阴影细节。Zhao等提出了金字塔场景解析网络（PSPNet）算法，首先使用预训练后的ResNet作为特征提取前端；然后在FCN预测框架下加入金字塔池特征模块，深度挖掘复杂场景下的上下文信息。Luo（2020）结合编码器残差结构及深度监督下的渐进融合过程，提出了DSSDNet模型，通过融合相邻特征进一步提高了检测性能。