考虑特征差异的无人机影像局部阴影补偿

《Science of Remote Sensing》：Local shadow compensation considering feature differences for UAV images

　　

在无人机（UAV）影像中，阴影变得明显，会导致对比度降低、细节丢失和纹理模糊，从而降低图像质量并影响地物信息的准确识别。现有最先进的方法可以校正阴影区域，但颜色失真仍然明显，尤其在复杂地表特征区域。因此，研究人员提出了一种考虑特征差异的局部阴影补偿方法（Local Shadow Compensation Considering Feature Differences, LSCFD）用于无人机影像，通过特征感知分割和统计分析解决了阴影区域内被忽视的光谱异质性。首先，使用均值漂移（Mean shift）算法将研究区域划分为若干小区域，并去除阴影区域中的孤立分割区域。其次，选择与阴影区域具有相同边界的非阴影区域作为参考区域。最后，分别计算阴影区域和参考区域的R、G、B分量的均值和标准差，并使用补偿公式进行阴影补偿。对比分析表明，LSCFD相比五种已有方法（如Wallis滤波（Wallis Filtering, WF）、区域匹配（Region Matching, RM）、光照比（Lighting Ratio, LR）、颜色恒常性（Color Constancy, CC）和传统局部补偿（Traditional Local Compensation, TLC））具有更优性能。结果表明，LSCFD在测试数据集上的综合质量指标（包括亮度偏差平方和(ΔB)²与梯度偏差平方和(ΔG)²之和、光谱角映射器（Spectral Angle Mapper, SAM）和色差标准CIEDE2000）均达到最低值，并展现出良好的鲁棒性和适应性，能有效抑制颜色失真并提高补偿质量。此外，补偿区域与非阴影区域表现出更高的一致性，表明视觉和定量精度得到增强。

**论文解读：考虑特征差异的无人机影像局部阴影补偿研究**

**1. 研究背景与动机**
在无人机（UAV）影像中，阴影因遮挡太阳辐射而显著出现，导致对比度降低、细节丢失和纹理模糊，从而降低图像质量并干扰地物信息的准确识别。现有阴影补偿方法虽能校正阴影区域，但在复杂地表特征区域（如植被、建筑、道路混合区域）仍存在明显的颜色失真问题，主要源于对阴影区域内部光谱异质性的忽视。传统局部补偿方法（TLC）假设阴影内为单一地物类型，对异质区域采用统一统计参数补偿，易导致过度补偿或补偿不足。此外，基于HSI颜色空间的补偿在转换回RGB时产生色彩不一致，且方差的使用常引起过曝。半影边界（penumbra）的忽略也造成补偿区域与非阴影区域间的突兀边界。为解决这些问题，研究人员提出了一种考虑特征差异的局部阴影补偿方法（LSCFD），旨在高效抑制颜色失真并恢复阴影下地物的真实光谱与纹理信息。该研究发表在《Science of Remote Sensing》上，为高分辨率遥感图像预处理提供了重要改进方案。

**2. 主要关键技术方法（≤250字）**
研究人员采用以下关键技术方法：① 使用均值漂移（Mean shift）算法对图像进行无监督特征感知分割，根据空间与颜色特征分割阴影及非阴影区域；② 基于分割结果选择与阴影区域共享边界的非阴影区域作为参考区域，实现特征差异感知的参考区域匹配；③ 直接在RGB颜色空间进行本影补偿，使用统一补偿参数（A）于三个通道，并用标准差替换方差以维持量纲一致性，避免过度补偿；④ 引入快速行进法（Fast Marching Method, FMM）对半影边界进行修复，通过逐点内插实现平滑过渡。样本来源包括自建的无人机阴影数据集（UAV-SD，覆盖两个研究区，分别使用SONY ILCE-7RM4A与ILCE-5100相机，飞行高度100 m及200 m）和公开的AISD基准数据集（源自Inria航空影像标注数据集，包含514幅分辨率30 cm的影像，覆盖全球五个地理区域）。

**3. 研究结果**

**3.1 实验数据**
研究人员构建了UAV-SD数据集，包含两个研究区的高分辨率RGB影像（研究区1：92幅，9504×6336像素，GSD 1.19 cm；研究区2：60幅，6000×4000像素，GSD 1.90 cm），在晴朗天气下获取。公开数据集AISD提供30 cm分辨率影像，涵盖城市、郊区等复杂场景。

**3.2 实验结果**
通过主观视觉评价和客观定量指标（亮度偏差平方和(ΔB)²与梯度偏差平方和(ΔG)²之和、SAM、CIEDE2000）对五种对比方法（WF、RM、LR、CC、TLC）进行比较。在UAV-SD研究区1中，LSCFD的(ΔB)²+(ΔG)²为0.2245、SAM为8.53、CIEDE2000为1.93；研究区2中对应值分别为0.0769、9.54、1.92。在AISD数据集上，LSCFD的(ΔB)²+(ΔG)²为0.2822、SAM为1.18、CIEDE2000为6.25，均优于其他方法。主观结果显示，LSCFD有效提升了阴影区亮度，避免了颜色畸变和过曝，边界过渡自然。

**3.3 消融实验**
**3.3.1 均值漂移参数敏感性分析**：在AISD上测试空间半径（6~14像素）、颜色半径（10~30像素）和最小区域大小（15~55像素）的影响。结果表明，三个指标（(ΔB)²+(ΔG)²、SAM、CIEDE2000）在各参数变化范围内波动极小（相对变化<10%），证实方法对参数选择具有鲁棒性，最优组合为hs=8、hr=20、Smin=25。
**3.3.2 本影补偿的颜色空间与统计度量消融**：比较HSI补偿、方差补偿及LSCFD（RGB+标准差）。HSI补偿导致严重色偏（CIEDE2000高达4.62~11.72），方差补偿产生过曝与纹理损失，而LSCFD在所有指标上最优，如AISD上(ΔB)²+(ΔG)²为0.2822、SAM为1.18、CIEDE2000为6.25，证明RGB直接补偿与标准差替换的联合有效性。
**3.3.3 半影修复有效性分析**：对比有无FMM模块的结果。使用FMM后，(ΔB)²+(ΔG)²从0.1941降至0.1712，SAM从1.01降至0.89，CIEDE2000从12.74降至11.58，且主观上边界更平滑、过渡更自然，确认FMM显著提升了视觉与光谱一致性。

**3.4 计算效率**
在AISD数据集上，LSCFD平均处理时间为0.053秒/幅，快于WF（0.072 s）和RM（0.128 s），慢于LR（0.034 s）、CC（0.044 s）和TLC（0.021 s），但质量提升完全弥补了微小的时间增加，满足高分辨率UAV图像处理的实际需求。

**4. 讨论与结论**

**4. 讨论**
主观评估显示，WF增强亮度但丧失纹理细节，RM存在颜色偏差，CC补偿不足或过度，LR引入暖色调，TLC导致颜色失真（如红色植被变为青色）。LSCFD实现亮度、纹理与颜色的平衡，植被、建筑、道路均呈现自然色彩且纹理清晰。光谱剖面分析表明，LSCFD显著提升阴影区亮度，并使光谱曲线在阴影与非阴影边界处平滑过渡，增强了光谱一致性。消融结果进一步证实：均值漂移参数鲁棒性强；RGB直接补偿与标准差替换有效避免色彩失真与过补偿；FMM模块平滑半影边界，降低指标值。局限性包括：仅验证了强硬阴影条件，未测试复杂光照；场景限于城市与郊区；依赖阴影检测与分割精度；统一参数A可能不适应通道间辐射差异；不适用于粗分辨率卫星影像。

**结论翻译**：
本研究提出了一种考虑特征差异的局部阴影补偿方法（LSCFD），以减轻无人机（UAV）影像阴影补偿中的颜色失真和特征恢复不完整问题。该方法使用均值漂移（Mean shift）算法分割阴影区域，在RGB颜色空间应用统一补偿参数，用标准差替代方差进行补偿计算，并采用快速行进法（FMM）优化半影区域。在自建UAV-SD和公开AISD数据集上的对比实验表明，LSCFD在亮度一致性、纹理保存和颜色保真度方面获得最低的综合质量指标值，并优于Wallis滤波（WF）、区域匹配（RM）、光照比（LR）、颜色恒常性（CC）和传统局部补偿（TLC）五种基准算法。光谱剖面分析进一步证实，该方法显著增强了阴影区域的亮度，同时保持了地表光谱曲线的平滑过渡，从而提高了视觉质量和光谱信息完整性。总体而言，LSCFD为UAV图像阴影补偿提供了一种高效可靠的解决方案。通过结合图像分割与局部统计补偿，它为土地覆盖分类、变化检测和三维重建等高精度遥感应用提供了更高质量的预处理影像。未来工作将聚焦于开发自适应的分割参数选择策略、探索融合光谱信息的半影恢复方法，并将该算法集成到完整的图像处理流程中，以评估其在实际应用中的可扩展性、鲁棒性和效率。