2.3.1　遥感图像阴影检测方法的整体流程

如何既能摆脱光照、场景等特定条件的限制，使得阴影检测方法更具有普适性；又能减少阴影区域被漏检、误检的情况，提升阴影区域的检测精度。另外，还可以避免方法对训练样本的过分依赖，这些是本章需要解决的问题。

图2.1展示了本章提出的高分遥感图像阴影检测方法的整体流程。整个流程大致分为3个主要模块：遥感图像阴影检测通道设计、动态局部自适应粒子群算法阴影检测和局部区域优化。

图2.1　高分遥感图像阴影检测方法的整体流程

由于RGB颜色空间存在颜色感知不均匀/不直观、颜色相似性难区分等问题，因此，在图像处理中，一般采用更符合视觉特性的HSI颜色空间。HSI颜色空间又可以分为色度（H）、饱和度（S）、亮度（I）3个通道。另外，图像在采集过程中会存在高斯噪声，各个通道需要进行高斯滤波处理以去除噪声。在阴影检测通道的设计上，将进行滤波去噪后的各个通道根据阴影在HSI颜色空间中高色度、高饱和度、低亮度等特性进行组合。在遥感图像经过I-H通道检测的阴影区域上引入H-I通道来解决图像由于色度高而容易被误检的情况；紧接着，针对深色地物容易被误检成阴影的情况，采用饱和度和亮度通道进行双阈值检测，只有当像素高于饱和度通道某一阈值且低于亮度通道某一阈值时，才能被认为是阴影区域。

在对阴影检测通道进行合理设计后，要选取各个通道的阈值进行二值化处理。

传统阈值选取方法包括直方图阈值法、迭代阈值法、Otsu阈值法。这些方法的算法简单，所求阈值是只针对单一通道的固定阈值，在面对多通道检测处理时往往会出现异常，不具有全局性和动态自适应性。因此，在阈值选取方法的设计上，本节结合Otsu阈值法及经典粒子群算法，提出了一种新的算法——动态局部自适应粒子群算法（DLA-PSO）。该算法充分考虑种群之间全局粒子的寻优问题，以及种群内粒子与邻域之间的关系，将全局粒子群优化与局部粒子群优化进行结合，通过种群内部及种群间的寻优求取个体最优位置与全局最优位置，从而确定最佳阈值。另外，该算法将Otsu阈值法中的类间方差公式作为算法中的适应度函数，并将粒子速度更新公式中的与种群个数和迭代次数（k）相结合，设计出一个动态惯性权重，进而根据上述检测通道得到初步的阴影检测结果图。

由于遥感图像的非阴影区域中可能会有较暗或细小物体（车辆、树木）被错检为阴影，所以需要对初始阴影区域进行连通区域检测计算，利用面积阈值进行小区域去除优化。另外，由于阴影内部也会存在高亮物体，所以会使初步检测结果存在空洞现象，可以采用数学形态学的方法，通过数学闭运算处理进行填充，从而得到最终的阴影检测结果图。