1 江南大学物联网工程学院，江苏 无锡 214122
2 江南大学物联网技术应用教育部工程研究中心，江苏 无锡 214122
在增强现实领域，实现虚拟对象光照一致性一直是个难题，针对赋予虚拟对象阴影信息时阴影检测效率低的问题，提出一种基于阴影区域构建阴影体实现虚拟对象光照一致性的方法。首先，采用改进的超像素分割（Ⅰ-SLIC）算法对图像进行处理得到更稳定的超像素集合，并根据相邻超像素中心的颜色距离相似度进行超像素合并，以降低后续处理复杂度。然后，采用高斯混合背景模型对分割后的图像进行阴影检测，利用阴影区域与光照参数构建阴影体。最后，根据变换矩阵完成虚拟对象的注册并结合阴影体进行渲染。实验结果表明，所提方法实现了对虚拟对象的阴影渲染，大大提高了增强现实应用带来的真实感，对比其他方法，在时间效率上具有明显优势。
机器视觉 增强现实 光照一致性 阴影检测 超像素分割 激光与光电子学进展
2022, 59(2): 0215002
1 南京信息工程大学电子与信息工程学院, 江苏 南京 210044
2 南京信息工程大学江苏省大气环境与装备技术协同创新中心, 江苏 南京 210044
3 中国气象局中国遥感卫星辐射测量和定标重点开放实验室国家卫星气象中心, 北京 100081
针对目前大多数云与云阴影检测方法容易产生误检、边缘细节丢失严重以及检测不够精确的问题,提出一种基于双注意力卷积神经网络模型(RDA-Net)的遥感影像云与云阴影检测方法。模型中引入双注意力模块可以有效捕获全局特征的依赖关系,使用递归残差模块可以避免深层网络出现退化,改进空洞空间金字塔池化模块在不改变特征图尺寸的前提下可以提取图像的多尺度特征。首先对遥感影像数据集进行预处理并制作对应的标签,然后利用高分一号WFV遥感影像数据集进行训练和测试。实验结果表明,所提方法有效提高云与云阴影的检测精度,在复杂条件下仍能获得较好的云与云阴影的边缘细节。
遥感 双注意力 云与云阴影检测 递归残差 改进空洞空间金字塔池化 激光与光电子学进展
2021, 58(20): 2028005
1 西安理工大学 计算机科学与工程学院, 陕西 西安 710048
2 西安理工大学 信息技术与装备工程学院, 陕西 西安 710048
深度图像作为Kinect传感器的重要组成部分, 其获得的深度图像往往伴随着不可避免和无法预知的阴影噪声, 这也极大地影响并制约其在三维可视化等方面的应用及研究。因此, 针对深度图像提出了一种基于分数阶微分的阴影检测方法。在研究分数阶微分定义的Tiansi模板基础上, 设计并实现了一种非线性拉伸算子。该算子在0.6阶次可以增强阴影区域边界信息的同时实现阴影的有效检测。通过分析比较发现, 该方法在F测度的评价体系中可以达到0.971, 而其他传统的检测方法均小于0.7。实验结果证明文中提出方法可以有效实现深度图像的阴影检测。
深度图像 噪声检测 分数阶微分 阴影检测 depth image noise detection fractional differential shadow detection 红外与激光工程
2019, 48(8): 0826002
1 南京信息工程大学江苏省大气环境与装备技术协同创新中心, 江苏 南京 210044
2 南京信息工程大学电子与信息工程学院, 江苏 南京 210044
3 中国气象局中国遥感卫星辐射测量和定标重点开放实验室 国家卫星气象中心, 北京 100081
RGB彩色图像中云没有明显的颜色分布与纹理模式,导致云检测易产生误检且细节丢失严重。针对这一问题,提出一种改进的M型卷积网络(RM-Net)模型,实现端到端的像素级语义分割。对原始数据集进行增强,并标注对应的像素级标签。利用空洞空间金字塔池化,在不丢失信息的前提下提取图像多尺度特征,并结合残差单元使网络不易出现退化。利用编码器模块与左路径提取图像全局上下文信息,利用解码器模块与右路径恢复图像空间分辨率,根据融合后的特征判别每个像元的类别概率,将其输入分类器进行像素级的云和非云分割。对Landsat8和高分一号WFV RGB彩色图像进行训练和测试,实验结果表明本文方法在不同条件下能很好地检测云边缘细节,并取得较高精度的云阴影检测,由此证明本文方法具有较好的泛化性与稳健性。
图像处理 云检测 遥感图像 M型卷积网络 空洞空间金字塔池化 残差单元 云阴影检测 激光与光电子学进展
2019, 56(16): 162804
江南大学物联网工程学院, 江苏 无锡 214122
针对视觉背景提取(Vibe)运动目标检测算法存在的鬼影及阴影问题,利用鬼影与背景相似而运动目标与背景差异大的特点,提出了一种基于前景和邻域背景像素直方图相似度匹配的方法,快速检测鬼影并更新背景模型;利用阴影的颜色特性和纹理不变性,提出在亮度和色度分离的YCbCr色彩空间中先根据颜色特性得到候选阴影区域,再利用完全局部二值模式算子(CLBP)提取区域的详细纹理特征,进一步检测与去除阴影。在公开视频数据库CDnet-2012上进行仿真,仿真结果表明,该算法能够保证运动目标被完整检测的同时快速去除鬼影和阴影,其检测精度比原Vibe算法提高了21.53%。
图像处理 运动目标检测 Vibe算法 鬼影消除 阴影检测 激光与光电子学进展
2019, 56(13): 131002
河北工业大学人工智能与数据科学学院, 天津 300130
为了同时检测本影与半影区域,提出并证明了阴影区域辐射的一致性属性。获取超像素区域轮廓内的点集合,将像素点集合(PCC)分为目标前景区域(目标PCC)和阴影区域(阴影PCC),利用所提出的基于区域生长的完整阴影检测与目标掩码增长算法,通过融合完整的阴影区域、完整的目标前景区域和ViBe掩码这三个部分,实现了前景目标掩码反向增长。在公开数据集中的实验结果表明,所提方法的阴影检测平均精度达到了82.5%,性能显著优于传统方法。目标掩码的平均增长率达到了8.84%,准确率达到了95%以上。
机器视觉 运动目标检测 移动阴影检测 区域生长
山东科技大学测绘科学与工程学院, 山东 青岛 266510
高分四号卫星(GF-4)是我国研制的首颗地球同步高分辨率光学成像卫星,具有高时间分辨率和较高的空间分辨率。针对高分四号卫星数据的特点,提出了一种光谱分析与几何算法相结合的云和云阴影检测算法。使用几何校正和辐射定标后的高分四号影像,基于云与典型地表的光谱特征,采用光谱差异分析技术识别出潜在云像元,根据有云地物和无云地物的光谱变化率差异计算云概率;由云和云阴影的几何关系,并结合传感器参数识别云阴影的投影带,然后根据阴影的光谱特征在投影带中设定基于影像的动态阈值,用于检测云阴影。该算法能较好地识别薄云,而且可以显著提高云阴影的检测精度。采用目视解译法对检测精度进行验证后发现,不同区域类型的云像元识别位置准确,形状完整;将所提云阴影检测方法与云和云阴影匹配算法进行对比后发现,前者识别的云阴影更为精确。
遥感 高分四号卫星 光谱分析 几何法 云检测 云阴影检测
1 中国科学院长春光学精密机械与物理研究所, 吉林 长春 130033
2 中国科学院大学, 北京 100049
3 吉林省卫星遥感应用技术重点实验室, 吉林 长春 130102
针对高分辨率遥感影像中建筑物阴影检测的需求,通过主成分变换和色调、色饱和度和强度(HSI)空间中阴影的光谱特性提取,开展了基于阴影概率约束的阴影检测方法研究。根据主成分变换结果与地物在HSI空间光谱特性的差异,消除暗色地物的影响,并用阴影概率检测存在于水体中的建筑物阴影,避免了传统方法由于水体与建筑物阴影光谱特征相近而引起的误检和漏检现象。基于吉林一号卫星影像的实验结果证明,所提方法的误检率和漏检率低于6%,总体分类精度和Kappa系数高于0.9,水体对阴影检测结果的影响明显降低,影像中阴影的整体检测效果得到提升。
图像处理 阴影概率 阴影检测 阴影指数 高分辨率遥感影像 吉林一号 激光与光电子学进展
2018, 55(4): 041006
1 福州大学 环境与资源学院,福建 福州 350116
2 空间数据挖掘与信息共享教育部重点实验室,福建 福州 350116
3 福建省水土流失遥感监测评估与灾害防治重点实验室,福建 福州 350116
4 福建省资源环境监测与可持续经营利用重点实验室,福建 三明 365004
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.
归一化阴影植被指数 明亮区植被 阴影区植被 水体区 阴影检测 normalized shaded vegetation index(NSVI) bright vegetation area shaded vegetation area water area shadow detection
