以ALOS AVNIR-2、CBERS-02B CCD、HJ1A-CCD2、Landsat 7 ETM四幅中分辨率遥感影像为试验数据,分析明亮区植被、阴影区植被与水体区的光谱特征与差异,基于近红外波段与归一化植被指数NDVI,构建归一化阴影植被指数NSVI,并评价其光谱差异增强及分类效果.结果表明,NSVI大幅扩大了明亮区植被、阴影区植被、水体区间的光谱相对差异,降低光谱混淆概率；利用NSVI阈值法对四幅试验影像进行分类,总精度均大于97%,总Kappa在0.96以上,且阴影区植被的检测精度均在94%以上,总Kappa系数亦高于0.96.该指数利用地物在近红外波段的辐射差异,解决NDVI只能部分削弱地形影响的问题,扩大地物间的光谱差异,从而提升地物尤其是阴影检测的有效性,且不存在NDVI“易饱和”问题,可为遥感影像阴影去除提供一种新的解决方案.

为提高遥感图像水域分割的准确度, 结合高分率遥感图像中水域与背景纹理复杂度差异较大的特点, 将图像熵引入到CV模型中, 提出两种图像熵主动轮廓模型用于高分辨率遥感图像的水域分割。其中, 针对水域纹理相对简单的遥感图像, 在CV模型中引入零水平集内的图像熵而构成局部图像熵主动轮廓模型, 可以有效降低背景中灰度值与水域近似的区域发生误分, 从而提高水域分割的准确度; 针对水域纹理相对复杂的遥感图像, 在CV模型中同时引入零水平集内外图像熵而构成全局图像熵主动轮廓模型, 改进了水平集函数进化过程中对灰度信息的依赖, 并能使零水平集进化到全局最优, 进一步提高了遥感图像中水域分割的准确度。针对高分辨率遥感图像中的湖泊、河流和海域分割对比实验结果表明：局部图像熵主动轮廓模型的分割精确率分别为90.1%、81.5%和93.6%, F值分别为0.94、0.885和0.96; 全局图像熵主动轮廓模型的分割精确率分别为94.5%、85.3%、94.9%, F值分别为0.956、0.895、0.967。本文提出的两种图像熵主动轮廓模型均能有效减小背景误分, 提高了遥感图像水域分割的准确度。

提出一种新的水域分割提取算法。采用灰度图像减去加权梯度图像的方法拉大水域与田地的差异，利用水域平均灰度高于图像平均灰度的特点，对常规OSTU阈值分割算法进行改进，图像分割后通过水域标记排除小面积干扰区域，通过寻找组成河流的水域方法排除大面积田地干扰。仿真实验结果证明该算法可实现水域的合理有效分割提取。

针对海岸线背景下的海面小目标的自动检测问题展开讨论,提出一种目标所在感兴趣区域的自动提取算法,将水域和复杂背景分离,并对分割后的二值图像进行标记,海面区域即水域应该是标记块中面积最大的一块,利用此特征提取出感兴趣区域--水域.对感兴趣区域进行轮廓跟踪后再用原始灰度进行扫描填充,在得到的简单背景下对目标进行局部中值滤波,进而用F-R准则将感兴趣舰船目标检测出来.最后拟利用感兴趣舰船目标区域的方差值计算感兴趣目标出现的置信度估计值,若置信度大于90%,则认为是真目标.实验结果给出了实验处理时间和所识别出的各个目标的置信度,表明了本文算法的有效性.