阴影检测算法在遥感图像中的应用研究

fmask云阴影检测原理
Fmask（功能掩蔽）是一种通用云阴影检测算法，可以将多光谱
遥感影像分割成多个物理要素分量。

它的原理是将原有的影像分解为
多个暗谱分量，比如水，雾，土地，植物和云等，并使用统计信息来
提取出这些不同的分量（特征）。

实际上，Fmask使用众多测试变量的
强有力的统计模型获取影像特征，还依靠大量的可靠历史记录和辅助
影像来识别和学习不同的物理要素。

具体来说，Fmask 将影像中每个像元值分解为多个光谱组份，并
采用K-means聚类算法确定其类别，以及改进的符号分类算法帮助识
别出每个类别中的值。

它还使用Markov假设来帮助分割这些分量：使
用相邻像元的类别来预测当前像元所属的类别。

最终，Fmask 根据先前获取的该物理要素的模式，结合标准评估，来改善分割的精度。

它可以分割出各种类型的云，比如高层云，钻穿云，卷云和浓缩低空云等，因此，它可以作为预处理步骤或数据特征
提取的有效工具。

Fmask 的优点在于可以自动检测影像中的云，而无需人为干预，
尤其是在大范围影像分析时更为显著，可实现快速准确的检测。

它还
能实现可重复性，从而缩短识别时间，并准确地检测各种类型的云。

遥感中的阴影及其应用前言高分辨率遥感影像同时具有地图的几何精度和影像视觉特征，具有广泛的应用。

然而由于算法以及客观条件的限制，影像中存在着大量的阴影，它直接影响到地物边缘的提取、目标识别、分类等。

特别是近年来随着影像分辨率的提高，阴影现象更加突出，因此对其进行检测与补偿显得极其重要。

1. 研究的背景及意义高分辨率遥感影像已被应用在林业、旅游、水文水资源、名胜古迹的维修等领域。

这些应用的首要问题是对影像中的关键地物进行识别、提取。

理论上，高分辨率卫星遥感影像在经过像片倾斜引起的像点位移、图形变形以及地形起伏引起的投影差的纠正，并在消除大气折射，相机系统带来的误差后，应该准确反映地物特征。

然而，由于建筑物的影响以及太阳光的照射，出现阴影和影像遮蔽以及摄影死角。

随着遥感传感器灵敏度不断提高，影像分辨率从几十米到现在的厘米级。

原本在较低几何分辨率影像中不明显的阴影已经在影像中格外突出。

比如在农村地籍调查中，由于航片的分辨率很高，有很多高大建筑物或者树木阴影，给界址点解译造成很大的困难。

并且图解存在一定的误差。

机载多角度成像数据的空间分辨率能够达到5厘米，影像上的阴影非常突出。

阴影使得影像上阴影区域所反映的被摄目标的信息有所损失或受到干扰。

这在计算机影像处理中将直接影响到相应区域地物的边缘提取、目标识别和地表覆盖分类以及影像匹配算法的成功率等。

它不仅破坏了影像的视觉解译能力和审美效果，还影响了遥感影像作为地图产品的基本功能发挥。

如何消除遥感影像的阴影，具有越来越重要的现实意义。

总的来说，卫星遥感影像能够快速提供地球表面的信息，高分辨率卫星遥感开创了许多新的应用领域，但影像中的阴影是一个必须解决的问题。

它给像影像分类这样的一些应用带来了很大的麻烦。

比如在卫星遥感影像分类中，大多数的地形或地物阴影与水体的光谱特征相混淆，很难准确地它们进行分类。

阴影区地物表现在遥感影像上信息量相对较少，难以判读，在影像处理和工程应用中，影响操作进程，甚至产生错误结果。

卫星遥感图像变化检测算法研究近年来，随着遥感技术的迅猛发展，卫星遥感图像在环境监测、农业管理、城市规划等领域得到了广泛应用。

然而，由于图像数据的海量和复杂性，如何快速准确地检测图像的变化成为研究的热点之一。

本文将对卫星遥感图像变化检测算法进行研究，并探讨这些算法在实际应用中的挑战和前景。

一、基于像素的变化检测算法基于像素的变化检测算法是最常用的一种方法。

它利用图像中每个像素点的灰度值或颜色信息进行分析，从而确定图像的变化区域。

常见的算法包括差异图法、阈值法、比率图法等。

差异图法是一种直观简单的算法，它通过计算两幅图像对应像素点的像素值差异得到变化图像。

然而，该方法对光照、云雾等因素非常敏感，容易产生误报。

因此，研究者提出了基于阈值的方法，根据像素差异值与设定阈值的关系来确定变化区域。

该方法可以一定程度上减少误报，但在阈值的选择上还存在一定的主观性。

为了解决基于像素的变化检测方法的局限性，研究者提出了基于像素上下文的方法。

这类算法考虑了像素与其周围像素的关系，利用纹理、结构等特征来判断是否为变化区域。

其中，基于纹理的变化检测方法非常流行，它通过计算图像的纹理特征，如纹理熵、对比度等，来确定变化区域。

然而，这些方法对图像的噪声和分辨率要求较高，需要较大的计算量和存储空间。

二、基于对象的变化检测算法基于对象的变化检测算法是一种更高级的方法，它不仅考虑像素的变化，还考虑了物体在图像中的空间关系。

这类算法首先进行目标提取，然后通过比较两幅图像中目标的位置、形状、大小等特征来检测变化。

目标提取是基于对象方法的关键步骤。

常见的目标提取算法有阈值分割、边缘检测、区域生长等。

根据目标提取的方法不同，可以得到不同的目标表达方式，如形状、纹理、颜色等。

然后，通过对提取出来的目标进行特征匹配，来确定图像的变化区域。

基于对象的变化检测方法可以减少噪声影响，提高变化检测的准确性。

然而，该方法对目标提取的算法要求较高，需要克服光照不均、遮挡等问题，难度较大。

面向对象的高分辨率遥感影像阴影提取方法
面向对象的高分辨率遥感影像阴影提取方法，是一种基于遥感影像对象提取技术实现的阴影变化检测方法。

该方法主要分为以下几个步骤：
1. 数据预处理：读取高分辨率遥感影像，进行预处理操作，包括灰度校正、空间校正、大气校正等。

2. 影像分割：使用Mean-Shift算法或Watershed算法进行影像分割，将遥感影像分割成多个对象。

3. 特征提取：根据光学特性和形态特征等选取阴影提取特征，如颜色、形状、纹理、边缘等，计算每个对象的特征向量。

4. 阴影提取：将特征向量输入到分类器中进行分类处理，判断每个对象是否是阴影，将阴影对象分割出来。

5. 阴影变化检测：对两幅遥感影像进行阴影提取，比较两幅影像中的阴影对象是否存在变化，建立变化检测模型。

该方法具有提取精度高、计算速度快等优点，可以广泛应用于城市规划、土地利用、生态环境等领域。

多时相遥感影像变化检测方法研究进展综述1. 本文概述随着遥感技术的飞速发展，多时相遥感影像在环境监测、资源管理、城市规划等领域发挥着越来越重要的作用。

多时相遥感影像变化检测，作为遥感影像分析的核心内容之一，旨在识别和量化不同时间点获取的遥感影像之间的变化信息。

本文旨在全面回顾和评述多时相遥感影像变化检测方法的研究进展，包括传统方法和基于深度学习的方法，以及它们在各类应用场景中的性能表现。

本文首先介绍了多时相遥感影像变化检测的基本概念、研究背景和重要性。

随后，本文详细梳理了当前主流的变化检测方法，包括基于像素、基于特征和基于决策的方法，并分析了这些方法的优缺点。

特别地，本文重点关注了近年来兴起的基于深度学习的变化检测方法，如卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）等，并探讨了它们在提高变化检测精度和效率方面的潜力。

本文还讨论了变化检测方法在实际应用中面临的挑战，如数据异质性、变化类型多样性和计算复杂性等，并提出了可能的解决方案和未来研究方向。

通过本文的综述，我们期望为遥感科学和相关领域的研究者提供一个关于多时相遥感影像变化检测方法的全面了解，并激发新的研究思路和技术创新。

2. 多时相遥感影像基本概念多时相遥感影像，指的是在不同时间点对同一地区或目标进行多次遥感观测所获取的影像集合。

这些影像可以来自同一传感器，也可以来自不同传感器，但它们的共同点是都反映了同一地区在不同时间点的地表状况。

多时相遥感影像的获取，有助于我们深入了解地表的动态变化，如土地利用覆盖变化、城市扩张、自然灾害等。

多时相遥感影像的变化检测，就是通过对这些不同时间点的影像进行比较和分析，识别出地表发生的各种变化。

这种变化检测的方法，可以基于像素级、特征级或对象级进行。

像素级变化检测主要关注像素值的变化，通过比较不同时间点的像素值来识别变化区域特征级变化检测则提取影像中的特定特征，如纹理、形状等，通过比较这些特征的变化来识别地表变化对象级变化检测则是将影像分割为不同的对象，通过比较这些对象的变化来识别地表变化。

数字图像处理技术在遥感信息分析中的应用引言：随着遥感技术的快速发展，数字图像处理技术逐渐成为遥感信息分析中的核心应用之一。

数字图像处理技术可以对遥感图像进行预处理、特征提取、分类与分析，为遥感信息分析和应用提供基础支撑。

本文将详细介绍数字图像处理技术在遥感信息分析中的应用，包括图像预处理、特征提取与选择、遥感图像分类等方面。

1. 图像预处理图像预处理是数字图像处理技术在遥感信息分析中的首要步骤。

遥感图像通常受到大气、云层、阳光等因素的影响，会产生噪声、辐射校正问题、几何畸变等。

数字图像处理技术可以通过增强对比度、减少噪声、去除云层和阴影等操作来改善图像质量。

常见的图像预处理方法包括直方图均衡化、滤波、去噪、几何校正等。

通过图像预处理，可以提高遥感图像的质量，为后续的特征提取和分类分析打下基础。

2. 特征提取与选择特征提取与选择是遥感信息分析中的重要环节，也是数字图像处理技术的核心任务之一。

遥感图像中包含大量的地物信息，如植被、水体、建筑等，通过提取和选择适当的特征，可以有效地描述这些地物的属性。

数字图像处理技术可以通过色彩模型转换、边缘检测、纹理分析等方法，提取出表征地物的特征。

此外，特征选择也是必要的，可以通过特征选择算法来筛选出最具有分类能力的特征子集，以降低计算复杂性和提高分类精度。

3. 遥感图像分类遥感图像分类是数字图像处理技术在遥感信息分析中的重要应用之一。

遥感图像分类的目标是将遥感图像中的像素划分为不同的类别，如水体、植被、建筑等。

数字图像处理技术可以通过机器学习算法、人工神经网络等方法来进行图像分类。

常见的分类算法包括最大似然法、支持向量机、随机森林等。

通过遥感图像分类，可以实现对遥感图像的自动解译，方便地获取地物信息和变化状况，为资源管理、环境监测等领域提供支持。

4. 图像变化检测图像变化检测是数字图像处理技术在遥感信息分析中的另一个重要应用。

遥感图像序列能够提供不同时间点的地物信息，通过比较不同时间点的遥感图像，可以检测到地物的变化情况，如植被生长、建筑物拆除等。

遥感影像变化检测报告学院：专业：指导老师：小组成员：2013年5月1、遥感影像变化检测的概念遥感影像变化检测指利用多时相获取的覆盖同一地表区域的遥感影像及其它辅助数据来确定和分析地表变化。

它利用计算机图像处理系统，对不同时段目标或现象状态的变化进行识别、分析；它能确定一定时间间隔内地物或现象的变化，并提供地物的空间分布及其变化的定性与定量信息。

由此可知，遥感影像变化检测是从不同时期的遥感图像中，定量地分析和确定地物变化的特征和过程。

它涉及到变化的类型、分布状况及变化信息的描述，即需要确定变化前后的地物类型、界限和分析变化的属性。

变化检测的研究对象为地物，包括自然地物和人造地物，其中人造地物在军事上常被称为目标。

描述地物的特性包括：空间分布特性、波谱反射与辐射特性、时相变化特性。

遥感影像的变化检测在土地覆盖变化监测、环境变迁动态监测、自然灾害监测、违章建筑物查处、军事目标打击效果分析以及国土资源调查等方面拥有广泛的应用价值和商业价值。

变化检测通常包括以下4个方面的内容：(1)判断是否发生了变化，即确定研究区域内地物是否发生了变化；(2)标定变化发生的区域，即确定在何处发生了变化，将变化像元与未变化像元区分开来；(3)鉴别变化的性质，给出在每个变化像元上所发生变化的类型，即确定变化前后该像元处的地物类型；(4)评估变化的时间和空间分布模式。

其中，前两个方面是变化检测所要解决的基本问题，而后两个方面则根据应用要求决定是否需要做。

2、遥感影像变化检测的三个层次遥感图像分析过程中通常包括数据层处理、特征层处理和目标层处理三个过程。

依据这三个层次划分，可将变化检测分为：像元级变化检测、特征级变化检测和目标级变化检测。

(1)像元级变化检测是指直接在采集的原始图像上进行变化检测。

尽管基于像元的变化检测有它一定的局限性，但由于它是基于最原始的图像数据，能更多地保留图像原有的真实感，提供其它变化检测层次所不能提供的细微信息，因而目前绝大多数的变化检测方法都是像元级变化检测。

遥感影像中的地物分类算法研究与应用遥感影像是通过各种传感器获取的地球表面的图像数据，它具有广泛的应用领域，包括土地利用类型分析、城市规划、环境监测等。

而遥感影像中的地物分类算法研究与应用是指通过计算机算法对遥感影像中的地物进行自动分类，以实现地物类型的识别与分析的过程。

地物分类在遥感影像处理领域具有重要的意义。

然而，由于遥感影像中的地物种类繁多、空间分布复杂，地物分类算法的研究与应用面临许多挑战。

本文将从地物分类的基本原理、主要算法以及应用案例等方面进行介绍，旨在帮助读者全面了解遥感影像中的地物分类算法。

地物分类算法的基本原理是通过对遥感影像的像素进行特征提取和分类器构建来实现地物分类。

首先，对于遥感影像中的每个像素，我们可以提取其光谱、纹理、形状等特征，以描述其在不同波段下的反射、辐射情况。

然后，通过将提取的特征输入到分类器中，可以基于已知地物类型的样本进行训练和判别，最终完成地物分类的过程。

在地物分类算法中，常用的算法包括最大似然法、支持向量机、随机森林等。

最大似然法是一种基于统计学原理的分类方法，它通过对样本的概率分布进行建模，并通过最大化样本似然函数来确定每个地物类别的概率。

支持向量机是一种经典的机器学习算法，它通过在特征空间中找到一个超平面，将不同类别的样本分开。

随机森林是一种基于决策树的集成学习方法，它通过构建多个决策树，并通过投票的方式确定最终的分类结果。

在地物分类算法的应用方面，遥感影像中的地物分类在许多领域具有重要的实际意义。

例如，在土地利用类型分析领域，地物分类可以帮助确定不同地区的农田、森林、水域等类型，以指导农业生产、森林保护等决策。

在城市规划领域，地物分类可以帮助区分建筑物、道路、绿地等地物类型，以实现城市规划的合理布局。

在环境监测领域，地物分类可以帮助检测空气质量、水体污染等环境问题，以提供决策支持。

此外，地物分类算法的研究还面临一些挑战。

首先，遥感影像中的地物种类繁多、空间分布复杂，地物分类算法需要具备较高的准确性和鲁棒性。

遥感影像检测与目标提取中的常见问题分析遥感影像检测与目标提取是遥感技术中的核心应用之一，通过遥感影像分析，可以获取海量的地理信息数据。

然而，在实际应用中，常常会遇到一些问题，例如数据质量、目标提取技术的准确性以及算法的效率等。

本文将对这些常见问题进行分析和解决方案的探讨。

一、数据质量的问题遥感影像检测与目标提取的准确性直接受到遥感数据的质量影响。

常见的数据质量问题包括云雾遮挡、辐射校正和几何校正等。

云雾遮挡是影响遥感数据质量的主要因素之一。

当遥感影像中出现云雾时，目标提取的准确性会受到严重影响。

解决云雾遮挡问题的方法包括利用云检测算法对影像进行预处理，剔除云雾影响。

辐射校正是指根据定标参数将原始辐射数据转换为地物反射率数据的过程。

在遥感影像检测与目标提取中，辐射校正是保证数据准确性的关键步骤。

常见的辐射校正方法有统计法、比例发射率法和最小二乘法等。

几何校正是指将遥感影像的像素坐标转换为地理坐标的过程。

几何校正是保证遥感影像与地理坐标系统一致性的基础。

几何校正中的常见问题包括大地测量单位选择、地面控制点选择和几何精度评定等。

二、目标提取技术的准确性问题目标提取技术的准确性是遥感影像检测与目标提取的核心问题之一。

常见的目标提取技术包括阈值分割、边缘检测和模板匹配等。

阈值分割是通过设定合适的亮度或颜色阈值将图像中的目标与背景分离的方法。

但是阈值的选择对目标提取结果有重要影响，不同光照条件和目标特征的变化可能导致阈值选择不稳定。

边缘检测是通过寻找图像中的边缘信息来提取目标的方法。

然而，由于遥感影像中存在噪声和阴影等干扰因素，边缘检测的准确性常常会受到影响。

模板匹配是通过在遥感影像中搜索事先定义好的目标模板来提取目标的方法。

但是目标模板的选择和匹配算法的设计都对目标提取的准确性产生影响。

为了提高目标提取技术的准确性，可以采用多种方法相互结合的策略，例如将阈值分割与形态学处理相结合，或将边缘检测与模板匹配相结合。

一种多尺度几何细节抽取的阴影处理算法王博;张永军;陈奇【摘要】From the shadow processing of high-resolution aerial remote sensing images, this paper analyzed the features of shadow in color space. Using combined thresholds of 3 channels in HIS color space and Gaussian function, the authors detected shadow area and its multi -scale geometric details which can compensate shadow area. The experiments prove that this method can maximize the retention of the original features in shadow area and get more reasonable compensation results, thus ensuring accuracy and reliability of the follow-up imaging.%从高分辨率航空遥感影像的阴影处理角度出发，分析了阴影区域在彩色空间上的特征；采用HIS彩色空间3个通道的联合阈值测度进行阴影检测，并利用高斯函数进行地物纹理几何细节的多尺度抽取，提出了针对影像灰度图的阴影补偿方法。

实验证明，该方法能够在最大限度保留阴影区域原始特征的前提下，对阴影区域信息进行补偿，保证了影像后续处理的准确度和可靠性。

【期刊名称】《国土资源遥感》【年(卷),期】2014(000)004【总页数】6页(P23-28)【关键词】阴影检测;HIS彩色空间;几何细节;阴影补偿【作者】王博;张永军;陈奇【作者单位】武汉大学遥感信息工程学院，武汉 430079;武汉大学遥感信息工程学院，武汉 430079;武汉大学遥感信息工程学院，武汉 430079【正文语种】中文【中图分类】TP750 引言随着信息技术的迅猛发展，遥感技术已广泛应用于资源调查、城市规划、环境监测以及防灾减灾等各个领域，对遥感影像质量也提出了越来越高的要求。

遥感影像变化检测算法及时序监测遥感影像变化检测算法及时序监测是一项重要的遥感技术应用，旨在利用遥感影像数据的时序信息，快速、准确地检测和监测地表环境的变化情况。

随着遥感技术的飞速发展，其在资源环境监测、城市规划、自然灾害评估等领域的应用日益广泛，对于实现科学决策和精细管理具有重要意义。

一、遥感影像变化检测算法1. 基于阈值的变化检测算法基于阈值的变化检测算法是最简单、最常用的一种方法。

它通过设定阈值，将两个时期的遥感影像像素值之差与阈值进行比较，超过阈值的像素则被判定为变化区域。

该算法计算简单，速度快，但对光照、阴影等因素敏感，容易产生误检和漏检。

因此，在实际应用中需要结合其他算法进行进一步优化。

2. 基于统计的变化检测算法基于统计的变化检测算法通过建立统计模型，分析地物在不同时期的变化特征。

常用的统计模型有高斯模型、卡方模型等。

该算法能够考虑到像素间的关联性，提高了检测结果的准确性和稳定性。

然而，在面对大范围区域或多时期遥感影像时，统计模型的计算量较大，需要耗费大量时间和计算资源。

3. 基于时空关系的变化检测算法基于时空关系的变化检测算法利用遥感影像的时间序列数据，分析地物在时空上的变化规律。

例如，利用主成分分析等方法，提取出代表地物变化的关键特征，通过比较不同时期的特征向量来判断地物是否发生变化。

该算法能够克服光照、阴影等因素的干扰，对地物的长期动态变化具有较好的监测效果。

然而，在多时期影像的获取和处理过程中，需要解决遥感影像的对准、配准和分类等问题，对数据的要求较高。

二、时序监测的意义与应用1. 资源环境监测利用遥感影像的时序监测，可以及时了解资源环境的变化，包括耕地面积的变化、水体的扩张或退缩、林地的砍伐或恢复等。

这些信息为资源利用和环境保护提供了依据，帮助决策者做出合理的决策，推动可持续发展。

2. 城市规划城市的规模和结构在不同时期会发生变化，如城市扩张、土地利用变化等。

通过时序监测，可以及时掌握城市的发展动态，为城市规划提供科学依据和参考。

Landsat8影像中云和阴影的去除方法及应用李红英;骆成凤;王苑;杨鸿海【摘要】云的干扰严重影响了遥感影像的数据生产和应用,针对青海大面积地区无云数据严重缺乏而造成的遥感影像数据生产应用困难问题,研究Landsat8影像中云及云阴影去除的方法与流程,利用Landsat8遥感影像的光谱特征及其卷云波段,设计云及阴影区域检测模型,检测多种云覆盖情况下的云影响区域,通过多时相遥感影像的配准、相关分析、最小二乘拟合等图像运算得到消除或弱化云影响的遥感影像.同时,应用此方法进行数据生产,为青海地区实际项目实施提供高质量的无云遥感影像数据源.【期刊名称】《地理空间信息》【年(卷),期】2017(015)004【总页数】5页(P71-74,81)【关键词】Landsat8;光谱特征;云检测;阴影检测;云和阴影去除【作者】李红英;骆成凤;王苑;杨鸿海【作者单位】青海省基础地理信息中心,青海西宁 810001;青海省地理空间信息技术与应用重点实验室,青海西宁 810001;中国测绘科学研究院,北京 100830;青海省基础地理信息中心,青海西宁 810001;青海省地理空间信息技术与应用重点实验室,青海西宁 810001;青海省基础地理信息中心,青海西宁 810001;青海省地理空间信息技术与应用重点实验室,青海西宁 810001【正文语种】中文【中图分类】P237光学遥感影像是大面积区域尺度的遥感反演、资源遥感监测的首要数据源，由于气候原因，频繁的云雾条件对光学传感器获得高质量的遥感影像造成了困难，尤其是广阔的西部地区，很难获取一个区域完全无云的遥感影像，大部分遥感影像在获取时都会或多或少地受到云及云在地面上投射的阴影的影响。

如何去除影像上云及阴影的影响，一直被认为是图像处理和应用中的难题。

目前，已经有不少的国内外专家和学者对此开展了广泛深入的研究，由于薄云和厚云在影像中呈现出不同的特点，在去除的过程中所采用的方法也不尽相同。

山地丘陵区遥感影像阴影检测与去除方法刘健;许章华;余坤勇;龚从宏;唐梦雅;谢婉君【摘要】阴影是山地丘陵区遥感影像最为普遍的干扰因素,去除阴影有助于提高影像解译和地物识别的准确性和有效性.构建了阴影植被指数(SVI),并提出应用波段回归模型法实现HJ-1多光谱影像阴影的去除.将该方法应用于试验区HJ-1数据,结果表明:SVI可增大山地丘陵区水体、阴影区及明亮区之间的差异,利用阈值法可以实现影像阴影的有效检测;相关分析显示,各波段拟合模型R2均在0.80以上;比较阴影去除前、后影像的统计指标说明,在植被最为敏感,即受阴影影响最为严重的近红外波段,随着阴影的去除,波段平均值有了较大幅度的增大;去阴影后影像的标准差均比原影像要小,尤其是在近红外波段.试验结果表明,SVI对山地丘陵区HJ-1影像阴影的检测效果较好,而波段回归模型法可以较为有效地实现阴影的去除.【期刊名称】《农业机械学报》【年(卷),期】2013(044)010【总页数】5页(P238-241,237)【关键词】山地丘陵区;多光谱影像;阴影检测;阴影植被指数;波段回归模型法【作者】刘健;许章华;余坤勇;龚从宏;唐梦雅;谢婉君【作者单位】福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002;福建农林大学3S技术应用研究所,福州350002【正文语种】中文【中图分类】TP79;P237引言图像阴影可以用来判定光源强度、位置以及山体高度与形状，但阴影削弱了地物在传感器上的响应，严重干扰了目标地物的识别与解译［1～2］。

尤其是在山地丘陵区域，遥感影像中的阴影极为普遍［3］。

虽然可以利用阈值法将影像分割为明亮区与阴影区后分别进行研究，但仍无法解决阴影区域信息丢失的问题。

fmask云阴影检测原理
fmask云阴影检测能够准确的提取出地表和实体物体的轮廓，以及
从遥感影像中提取出云和阴影等无形物体。

Fmask是一种基于植被指数
和地形指数的方法来检测云和阴影。

该算法利用地形指标来调节光和
暗之间的界限，同时使用植被指数来提取具有高水平植被的目标物体。

Fmask的基本原理是将多个遥感影像通道的像素的综合信息变换成
一种类似于植被指数的指标。

主要包括生成植被指数、加权蒙蒙系数、边缘检测等步骤。

生成植被指数是使用常用的土地覆盖/使用类
（LC/LU）植被指数，如南贝氏指数（NDVI）、水斑植被指数（WBVI）等，使用这些植被指数可以有效区分植被和地面非植被物体。

对于非
植被物体，如云和阴影，由于具有较强的边缘特征，所以可以使用Canny边缘检测算法来检测图像的边缘特征，从而获得云和阴影的轮廓
形状。

最后，Fmask算法使用一种简单但有效的加权蒙蒙系数来将植被指
数和边缘特征的输出融合到一起，以确定最终的云和阴影分割输出。

总的来说，Fmask云阴影检测算法是一种快速有效的云阴影识别方法，
可以实现高空间分辨率遥感图像云阴影检测，从而为图像分析和地理
信息系统应用提供便利。