城市绿地信息提取中的遥感影像阴影校正

如何利用卫星影像进行城市绿地面积提取与分析城市绿地面积的提取和分析是一项重要的任务，可以帮助城市规划者和决策者了解城市绿地的分布和规模，从而制定相应的环境保护和城市发展政策。

这项工作过去主要依靠人工测量和调查，但随着卫星遥感技术的发展，利用卫星影像进行城市绿地面积提取和分析变得更加高效和准确。

卫星遥感技术通过获取遥感影像数据，可以对地球表面进行广泛、连续和定量的观测。

对于城市绿地面积的提取和分析，除了高分辨率的遥感影像数据外，还需要进行一系列的图像处理和分析步骤。

首先，需要获取高分辨率的遥感影像数据。

卫星拍摄的遥感影像往往包含多个波段，例如红、绿、蓝和近红外波段，这些波段可以提供丰富的信息用于绿地分类和提取。

常用的卫星有Landsat、Sentinel等，它们具有不同的空间分辨率和数据更新频率，选择适合的卫星影像数据是进行城市绿地面积提取和分析的第一步。

其次，需要进行预处理和校正。

卫星影像在采集和传输过程中可能会受到大气、地表反射率和传感器等因素的影响，因此需要对影像数据进行预处理和校正，以消除这些干扰因素。

预处理包括影像的辐射校正和几何校正，可以提高影像的准确性和比较性。

然后，需要进行绿地分类和提取。

绿地分类是将遥感影像中的像素划分为不同的类别，如建筑物、道路和植被等。

通常采用的方法包括基于光谱特征、纹理特征和形状特征的分类方法。

在绿地提取中，主要关注植被类别，可以采用阈值法、像元反射率法和基于纹理和形状特征的方法进行提取。

除了绿地面积的提取，还可以进行绿地面积的分析和评估。

通过统计和分析绿地的分布、规模和变化等信息，可以评估城市绿化水平和绿地供给能力。

例如，可以计算绿地的面积比例、密度和紧凑度等指标，以及绿地的空间分布格局。

这些信息可以帮助城市规划者和决策者制定合理的绿地规划和管理措施，以提高城市的生态环境质量和居民的生活质量。

此外，利用卫星影像还可以进行绿地变化检测和监测。

城市绿地的变化往往是一个动态过程，了解和监测绿地的变化情况对于城市的可持续发展和环境保护至关重要。

遥感影像纠正的方法与技巧随着科技的不断发展，遥感技术在各个领域得到了广泛的应用。

遥感影像是通过卫星、飞机等远距离获取地面信息的一种重要手段。

然而，在获取遥感影像后，由于各种原因导致的图像扭曲、色差等问题是不可避免的。

因此，进行遥感影像纠正是必要的。

本文将介绍遥感影像纠正的常用方法与技巧。

一、几何校正方法几何校正是对遥感影像进行坐标、尺度和旋转方位的校正。

常见的几何校正方法有影像配准、地标匹配、插值等。

1. 影像配准影像配准是将待纠正影像与参考影像进行对比，通过匹配相同地物或地点的像素点，从而进行坐标转换。

常用的影像配准方法有基于特征点匹配和基于相位相关匹配两种。

基于特征点匹配的方法是通过提取影像中的特征点，并将其与参考影像中的特征点进行匹配，从而获得坐标转换模型。

OpenCV是一种常用的用于特征点匹配的开源库。

基于相位相关匹配的方法是通过计算两幅影像之间的相关性，确定它们之间的几何转换关系。

这种方法通常用于具有相位重建能力的传感器。

2. 地标匹配地标匹配是通过识别影像中的已知地标（如道路交叉口、建筑物等）并与参考影像中的地标进行匹配来进行校正的一种方法。

这种方法适用于城市建筑等具有明显特征的区域。

3. 插值插值是指通过对图像中间的像素值进行估算，从而使整个图像变得平滑过渡的过程。

常用的插值方法有双线性插值、双三次插值等。

这些方法可以使得图像在进行几何校正后仍保持较好的视觉效果。

二、辐射校正方法辐射校正是指对遥感影像中的亮度进行校正，以保证影像反映地物的真实辐射亮度。

常用的辐射校正方法有直方图匹配、大气校正、辐射转换等。

1. 直方图匹配直方图匹配是指通过将原始图像的灰度值映射到目标图像的灰度值范围来进行校正的方法。

这可以使得影像在亮度上看起来更加准确，同时保证地物的色彩还原度。

2. 大气校正大气校正是指通过估计大气光照对地面目标反射率的影响，将地表反射率从观测影像中恢复出来的一种方法。

这种方法适用于去除由大气散射引起的云、雾等干扰。

遥感影像的几何校正和特征提取方法遥感影像是通过遥感技术获取的地球表面信息的图像或图像组。

由于数据获取过程中存在各种误差，如地球自转、大气扰动、平台运动等，遥感影像在获取后需要进行几何校正以提高图像的质量和精度。

此外，为了进一步分析遥感影像中的信息，特征提取是必需的，可以帮助科学家从图像中提取有关地理特征的信息。

一、遥感影像的几何校正方法1. 大地控制点法：这是一种常用的几何校正方法，通过确定遥感影像上一系列具有已知地理坐标的地物进行配准。

通过收集大量的地面控制点，利用全球定位系统（GPS）等技术获取精确的地理坐标，然后将遥感影像转化为地理坐标系统，实现几何校正。

2. 特征点匹配法：该方法利用遥感影像与参考图像之间的特征点进行匹配。

通过提取遥感影像和参考图像的特征点，并使用特征匹配算法对两幅图像进行配准，从而实现几何校正。

3. 数字高程模型法：该方法利用数字高程模型（DEM）来进行几何校正。

DEM是一种用来表示地表地形高程信息的数学模型。

通过提取遥感影像上的地物高程信息，并结合DEM数据，可以实现对遥感影像的几何校正。

二、遥感影像的特征提取方法1. 阈值分割：该方法基于像素间的灰度差异来实现特征提取。

通过设置适当的阈值，将像素灰度值划分为不同的区域，从而提取出感兴趣的特征。

例如，可以利用阈值分割方法提取出水体、植被等特征。

2. 目标识别和分类：该方法通过使用机器学习算法来实现对遥感影像中的目标进行识别和分类。

常用的机器学习算法包括支持向量机（SVM）、随机森林（RF）等。

通过对已标记的训练样本进行训练，然后对遥感影像进行分类，可以实现对特定目标的提取和分类。

3. 特征融合：该方法通过将多个特征进行融合，提高特征提取的准确性和稳定性。

常用的特征融合方法包括主成分分析（PCA）、小波变换、人工神经网络等。

通过将多个特征进行组合和处理，可以提取出更具辨识度的特征。

4. 目标检测：该方法通过一系列图像处理和模式识别技术来实现对目标的检测。

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。

使用遥感影像进行城市绿化评估与规划的方法一、引言城市绿化是城市发展与环境保护的重要组成部分，对于改善城市生态环境、促进居民身心健康具有重要意义。

近年来，随着遥感技术的发展和普及，使用遥感影像来进行城市绿化评估与规划已成为一种便捷高效的方法。

本文将探讨使用遥感影像进行城市绿化评估与规划的方法与应用。

二、遥感影像的获取与处理1. 遥感影像的获取通过卫星获取遥感影像是目前最常用的方法。

卫星可以提供高分辨率的影像，能够全面、定期地覆盖城市区域。

此外，无人机也成为获取遥感影像的重要手段，具有灵活性和高分辨率等优势。

2. 遥感影像的处理遥感影像的处理包括预处理和分类两个环节。

预处理主要涉及影像的大气校正、几何校正等，以提高影像的质量和准确度。

分类则是对影像进行划分，将不同类型的地物进行分割和分类，以便进行绿化评估与规划。

三、城市绿化评估的指标与方法1. 绿地覆盖率绿地覆盖率是评估城市绿化程度的重要指标。

通过遥感影像的分类与分析，可以计算出城市区域内绿地的面积与总面积的比例，从而得到绿地覆盖率。

此外，还可以结合土地利用数据和地面调查结果，综合考虑不同类型的绿地，如公园、林地、草地等，来评估城市绿化的多样性与质量。

2. 植被指数植被指数是通过遥感影像中的植被光谱信息来评估绿化程度的指标。

常用的植被指数有归一化植被指数（NDVI）、植被指数（VI）等。

利用这些指数，可以定量地反映城市植被的状况和分布，评估植被的健康程度和生长情况，为城市绿化规划提供科学依据。

3. 生态服务价值评估城市绿化除了提供美观和休闲的功能外，还能为城市带来一系列生态服务，如温度调节、空气净化、水源保护等。

通过遥感影像的分析，可以借助生态模型和评估方法，对城市绿化的生态服务进行评估并进行价值估算。

此项评估能够直观地展示城市绿化对环境和社会的贡献，为城市规划师和决策者提供重要依据。

四、城市绿化规划的方法与应用1. 指导城市扩展与建设遥感影像可以提供城市空间和土地利用的信息，通过分析影像中不同地物类型和覆盖状况，可以指导城市扩展的方向和布局。

北京揽宇方圆信息技术有限公司城市绿地信息提取中高分辨率卫星影像融合方法城市绿地系统是城市生态系统的子系统，是城市中唯一有生命的基础设施，在改善城市生态环境和人居环境方面起着积极的作用。

随着城市的不断扩大、人们生活水平的提高，城市绿地质量受到广泛的关注，城市绿地信息提取成为当下研究热点之一。

遥感技术可为城市绿地信息的快速提取提供技术支持。

在影像分类研究中，已有不少研究者首先将多光谱影像与全色影像进行融合，再利用融合后的影像进行信息提取，分析影像融合的效果。

目前，高分辨率遥感影像在城市绿地信息提取中的应用越来越广泛，但针对绿地信息提取，不同融合算法的影像融合效果还缺少系统研究。

本文将以WorldView-2与PL-1A影像为数据，利用GS(Gram-Schmidt)变换、PCA(主成分分析)变换、Ehlers(空间滤波)融合、Wavelet(Wavelet分析)、HIS变换5种方法对影像进行融合。

在此基础上针对城市绿地信息提取，分别用目视方法和量化指标对融合影像的质量进行评价；同时利用面向对象基于规则方法分别基于多光谱影像和融合后的影像，提取绿地信息并进行精度评价。

对不同影像融合算法的融合有效性进行系统深入的评价，可为城市绿地信息提取影像的融合工作提供技术支持。

1研究区概况与数据源本次研究选取了上海交通大学闵行校区与华东师范大学闵行校区为研究区。

上海市闵行区坐落长江三角洲冲积平原，气候温和雨水充沛，为植被生长提供了有利的条件。

自“十一五”以来该区以深入推进国家生态建设为目标，在上海市率先开展大规模绿化建设，绿化基础较好，绿化效果明显。

上海交通大学和华东师范大学是该区内绿化发展较好、绿地分布较多的区域，以该区域为研究点进行影像融合，对城市研究绿地信息提取有较好的参考意义。

研究所用的数据包括WorldView-2、PL的多光谱影像与全色影像，其中WorldView-2影像的成像时间为2014年6月12日，空间分辨率分别为0.5m；PL-1A影像的成像时间为2014年5月27日，空间分辨率分别为0.5m。

基于高分辨率遥感影像的城市绿地信息提取方法分析发布时间：2022-06-14T07:16:26.286Z 来源：《新型城镇化》2022年12期作者：梁亚敏王瑞[导读] 保证城市绿地分类的科学性、有效性，且做到合理规划与积极建设，能够使城市绿化覆盖率持续提升，强化城市绿地规划的整体效果。

天津东晟图地理信息技术有限公司天津市 300000摘要：保证城市绿地分类的科学性、有效性，且做到合理规划与积极建设，能够使城市绿化覆盖率持续提升，强化城市绿地规划的整体效果。

故此，文章将围绕高分辨率遥感影像提取城市绿地信息的方法展开以下分析，希望展现高分辨率遥感影像技术的优势，提高城市绿地信息提取的效率。

关键词：高分辨率；遥感影像；城市绿地；信息提取随着高分辨率遥感卫星的成功发射，象征着地球空间数据获得和处理技术进一步发展，使遥感运用范围持续扩大，强化地理数据的更新速度，特别是1米空间分辨率IKONOS卫星影像可支持商用，有助于推动遥感技术的发展。

城市绿化水平作为评价城市生态环境的重要指标，进行城市绿化信息的采集十分关键。

在高分辨率传感器技术完善发展的今天，运用遥感技术能获取更多地表景观信息，为城市化建设提供可靠依据。

一、高分辨率遥感影像提取城市绿地信息的有效性（一）高分辨率遥感影像技术的基本概述遥感技术主要是信息技术、航天技术快速发展的产物[1]，具体指通过人造卫星、飞机或者其他飞行设备上获得地物目标的电磁辐射信息，从而对地球环境与资源进行有效判定的技术。

高分辨率遥感技术是在较远距离对目标反射或者自身辐射的电磁波、可见光、红外线进行感知，准确探测与识别目标的技术手段。

（二）高分辨率遥感影像的基本特点 1.空间分辨率比较高米级亚米分辨率所展现的图像十分清晰[2]，目标物形状可以准确看到，影像中地物尺寸、形状、结构与相邻关系能够充分体现出来。

空间分辨率较高的基础上，能够让地物类型更加多变，纹理类型与纹理区域有明显变异性特点，相同地物内部构成要素丰富多元的细节信息都能得以体现，促使地物光谱统计特点稳定性降低。

如何利用遥感影像进行城市绿地测绘遥感影像是一种使用传感器通过航空或卫星获取地球表面物体信息的技术。

在城市规划和环境保护中，利用遥感影像进行城市绿地测绘具有重要意义。

本文将探讨如何利用遥感影像进行城市绿地测绘，包括数据获取、影像处理和应用等方面。

数据获取是进行遥感影像测绘的第一步。

目前，可以获取高分辨率的航空遥感影像和卫星遥感影像。

航空遥感影像的分辨率相对较高，可以提供更详细的城市绿地信息，而卫星遥感影像则具有广域覆盖的优势。

根据具体需求和研究区域的特点，选择合适的遥感影像数据源是至关重要的。

在获取遥感影像数据后，需要进行影像处理。

首先，对遥感影像进行几何校正，以消除影像中存在的畸变和影响测量精度的因素。

其次，进行影像增强，以提高影像的清晰度和对比度，使城市绿地等目标更加明显。

同时，还可以进行影像分类和分割，将影像中的各类地物进行区分和提取。

基于分割结果，可以计算城市绿地的面积、形状等参数，以及进行景观分析和变化检测。

利用遥感影像进行城市绿地测绘的应用是多样的。

首先，可以对城市绿地进行定量评估和监测。

通过对不同时期的遥感影像进行比对和分析，可以得到城市绿地的变化情况，为城市规划和管理提供科学依据。

其次，可以进行城市绿地的类型划分。

利用遥感影像的分类和分割功能，可以将城市绿地划分为公园、绿化带、花坛等不同类型，并进一步分析各个类型的分布和空间结构。

此外，还可以利用遥感影像提取城市绿地的水质、植被指数等信息，评估城市绿地的生态环境质量。

在遥感影像测绘城市绿地过程中，还需要注意一些问题。

首先，遥感影像的准确性受到多种因素的影响，包括大气、地物和仪器等。

因此，在遥感影像处理和分析过程中，应进行影像校正和验证，以提高测量的准确性。

其次，城市绿地与其他地物（如建筑物、道路等）在遥感影像中可能存在混淆的情况，因此，需要借助辅助数据（如地形地貌、土地利用规划等）进行解译和判别。

综上所述，利用遥感影像进行城市绿地测绘是一项重要的技术和工作。

如何进行遥感图像的几何校正与纠正遥感图像是通过无人机、卫星等远距离设备获取的地球表面的影像数据。

这些图像在应用于地理信息系统(GIS)、自然资源管理、城市规划等领域时，需要进行几何校正与纠正。

本文将介绍什么是遥感图像的几何校正与纠正，以及如何进行这一过程。

一、什么是遥感图像的几何校正与纠正遥感图像的几何校正与纠正是指将采集到的图像数据与真实地理空间进行对应，消除由于图像采集时摄像设备、地球曲率等因素引起的形变、偏移等问题，使图像具备准确的地理位置信息。

这项工作是遥感技术应用的重要环节，对于后续的数据分析和信息提取至关重要。

二、遥感图像的几何校正与纠正方法1. 外方位元素法外方位元素法是利用航片或图像外方位元素（像空间坐标与地面坐标之间的变换参数）进行几何校正与纠正的方法。

在这种方法中，需要准确确定图像的摄影中心、摄影距离以及摄影方位角等相关参数，通过计算来修正图像的几何形变。

外方位元素法准确性较高，适用于相对高精度的项目。

2. 控制点法控制点法是通过在图像上选择一系列已知地理位置的控制点，在地面实地测量其坐标，然后通过像点与地理坐标的对应关系，进行几何校正与纠正的方法。

该方法的关键在于控制点的选择与测量精度，控制点越多、分布更均匀，纠正效果越好。

3. 数字高程模型（DEM）法数字高程模型法是通过使用数字高程模型数据，将遥感图像与地面实际高程进行对照校正的方法。

通过图像与DEM之间的高差计算，对图像进行几何校正与纠正。

这种方法适用于大范围的地形起伏、高程变化较大的区域。

三、遥感图像的几何校正与纠正注意事项1. 数据预处理在进行几何校正与纠正之前，需要对采集到的遥感图像进行预处理。

预处理包括影像增强、去噪、边缘检测等步骤，以提高图像质量和准确性。

2. 参考数据选择在进行校正与纠正时，需要选择适当的参考数据，以确保纠正结果的准确性。

参考数据可以包括航片、已经准确校正的图像、已知地理坐标点等。

3. 校正模型选择校正模型选择是几何校正与纠正的关键步骤之一。

城市遥感影像阴影检测与补偿方法研究城市遥感影像中的阴影问题一直是图像处理中的一个难点。

城市地物的高度差异和建筑物的遮挡使得阴影的出现频率相对较高，阴影不仅降低了遥感影像的质量，也影响了图像上的目标识别和分类等应用。

因此，城市遥感影像中的阴影检测与补偿方法的研究具有重要意义。

目前，常用的城市遥感影像阴影检测方法主要有基于颜色信息、基于纹理信息和基于几何信息等。

其中，基于颜色信息的方法通过比较阴影像素和非阴影像素的颜色特征，对阴影进行检测。

基于纹理信息的方法则利用阴影和非阴影像素之间的纹理差异来检测阴影。

基于几何信息的方法主要利用建筑物的高程和方向等几何特征来检测阴影。

这些方法都有各自的优势和局限性，在实际应用中需要根据具体情况选择合适的方法。

阴影补偿是在检测到阴影的基础上对阴影部分的亮度进行修复，使图像中的阴影部分更加明亮。

目前，常用的阴影补偿方法有基于图像增强的方法、基于物理模型的方法和基于统计建模的方法等。

基于图像增强的方法通过提高图像的整体亮度来补偿阴影部分。

基于物理模型的方法则基于光照的物理原理对阴影进行建模，通过推测阴影部分的亮度值来进行补偿。

基于统计建模的方法则利用统计学原理对阴影进行建模，通过学习阴影和非阴影像素之间的关系来进行补偿。

这些方法各有特点，但在实际应用中需要根据具体需求选择合适的方法。

总的来说，城市遥感影像阴影检测与补偿方法的研究是一个复杂而重要的课题。

通过选择合适的检测和补偿方法，可以有效提高城市遥感影像的质量，为后续的应用提供更好的数据支持。

未来，可以进一步研究基于深度学习方法的城市遥感影像阴影检测与补偿方法，以提高检测和补偿的准确性和效率。

基于遥感影像的城市绿化信息提取与分析方法随着城市化进程的加快，城市绿化问题越来越受到重视。

城市绿化不仅可以美化城市环境，还能提供人们休闲活动和生态服务。

而基于遥感影像的城市绿化信息提取与分析方法成为了研究者关注的热点之一。

本文将介绍几种常见的基于遥感影像的城市绿化信息提取与分析方法。

首先，一种常见的提取城市绿化信息的方法是基于影像分类。

该方法通过遥感影像的光谱信息和纹理信息来进行图像分类，然后通过分析分类结果来提取绿化信息。

这种方法需要考虑到不同植被类别在遥感影像中的表现形式，选择适合的分类算法，并进行参数优化。

此外，为了提高分类的精度，还可以结合高分辨率影像和其他辅助数据进行综合分析。

其次，另一种常见的方法是基于指数计算。

城市绿化指数是通过计算遥感影像中植被的光谱特征来评估城市绿化状况的指标。

常见的城市绿化指数包括归一化植被指数（NDVI）、绿度指数（GI）等。

这些指数可以通过对遥感影像进行数学运算得到，然后利用统计方法将指数与实际绿化情况相对应。

这种方法不仅简单易行，还具有一定的客观性。

此外，还可以利用纹理特征来提取城市绿化信息。

城市绿化区域与非绿化区域在纹理特征上存在差异，可以通过计算遥感影像的纹理特征来提取绿化信息。

常见的纹理特征包括灰度共生矩阵（GLCM）、小波变换等。

这些特征可以通过对遥感影像进行数学运算得到，然后利用统计方法将纹理特征与实际绿化情况相对应。

这种方法能够充分利用遥感影像中的细节信息，提高绿化信息提取的准确性。

最后，可以利用机器学习方法来提取和分析城市绿化信息。

机器学习方法能够通过对大量样本数据的学习，自动学习到影像中绿化和非绿化区域的特征，并进行分类和预测。

常见的机器学习方法包括支持向量机（SVM）、决策树、随机森林等。

这些方法可以通过对已有数据的训练，建立起绿化信息与遥感影像之间的关联模型，并利用该模型对新数据进行绿化信息提取和分析。

综上所述，基于遥感影像的城市绿化信息提取与分析方法是一个复杂而又重要的问题。

如何进行遥感影像纠正处理遥感影像是以航空器或卫星为平台，通过传感器获取地球表面信息并记录下来的影像，它广泛应用于地质勘探、农业监测、环境保护等领域。

然而，由于遥感影像收集过程中的各种因素，如大气散射、地表反射等，使得影像存在着一定的扭曲和失真。

针对这些问题，遥感影像的校正处理变得非常重要。

本文将介绍遥感影像的校正处理方法，以及它们的原理和应用。

首先，我们要了解遥感影像校正处理的目标是什么。

遥感影像的校正处理旨在消除图像中的非地物因素对影像的影响，使图像能够准确地反映地物的实际状态。

校正处理的过程包括几个主要步骤：大气校正、几何校正和辐射校正。

大气校正是遥感影像校正处理的首要步骤。

大气校正的目标是消除大气散射引起的影像云雾、大气层透明度等问题，以获得更真实的地物信息。

大气校正的方法有多种，常用的是通过获取一定数量的反射率标准场地的光谱信息，对影像进行大气纠正。

这可以通过利用大气模型和反射率测量数据来实现。

同时，结合辐射传输方程以及定标技术，可以计算出影像中地物的辐射率。

几何校正是校正处理的关键步骤之一。

其目的是消除影像中由于飞行高度、角度、传感器摆放等因素引起的几何失真。

几何校正的方法有很多种，其中最常用的是地面控制点法和同名点法。

地面控制点法是通过在地图上选取一些已知坐标的地物，然后在影像上找到对应的位置，以确定影像的几何位置。

同名点法是通过在影像上选取一些在地图上已知坐标的地物，然后在影像上找到对应位置，以确定影像的空间几何位置。

几何校正的结果将是一个经过坐标变换的图像，可以实现在地理坐标系上进行空间分析。

辐射校正是为了获得地物表面光谱信息而进行的校正处理。

辐射校正的目标是消除影像中由于传感器的不同响应和辐射入射角度变化而引起的辐射度量误差。

辐射校正的方法有多种，包括传感器定标和辐射亮度温度计算等。

传感器定标是通过测量已知辐照度的标准光源在传感器上产生的电压来确定传感器的辐射度量特征。

辐射亮度温度计算是根据卫星辐射测量值和大气参数估计地表温度。

遥感影像在城市绿地变化监测中的应用在当今城市化进程加速的时代，城市绿地对于改善城市生态环境、提升居民生活质量具有至关重要的作用。

而准确、及时地监测城市绿地的变化情况，对于城市规划、生态保护和可持续发展决策的制定具有重要意义。

遥感影像技术作为一种高效、大范围、多时相的数据获取手段，为城市绿地变化监测提供了有力的支持。

一、遥感影像技术简介遥感影像，简单来说，就是通过卫星、飞机等遥感平台上的传感器获取的地球表面的图像信息。

这些影像包含了丰富的地物特征和光谱信息，能够反映出不同地物的类型、分布和状态。

遥感影像具有多个显著的特点。

首先，它能够实现大面积同步观测，在短时间内获取大范围的地表信息，这对于监测城市这样的大面积区域非常有利。

其次，遥感影像具有多光谱和高光谱的特性，可以捕捉到不同波段的电磁波信息，从而区分出不同类型的植被和土地覆盖。

此外，遥感影像还具有多时相的特点，能够定期获取同一地区的影像，便于进行变化监测。

二、城市绿地变化监测的重要性城市绿地是城市生态系统的重要组成部分，它具有多种生态服务功能。

城市绿地可以吸收二氧化碳、释放氧气，改善空气质量；能够调节城市气候，降低气温、增加空气湿度；还能减少雨水径流，防止水土流失，减轻城市排水系统的压力。

然而，随着城市的快速发展，城市绿地面临着诸多威胁。

城市扩张导致大量绿地被侵占，用于建设住宅、商业和工业设施；不合理的城市规划和管理可能导致绿地分布不均、质量下降；此外，自然灾害和人为破坏也会对城市绿地造成损害。

因此，对城市绿地的变化进行监测，有助于及时掌握绿地的现状和变化趋势，为城市规划和管理部门提供决策依据，保护和优化城市绿地资源。

三、遥感影像在城市绿地变化监测中的数据获取为了有效地监测城市绿地变化，首先需要获取高质量的遥感影像数据。

目前，常用的遥感数据源包括卫星影像（如 Landsat 系列、SPOT系列、高分系列等）和航空影像。

卫星影像具有覆盖范围广、重访周期短、成本相对较低等优点。

遥感影像在城市绿地监测中的应用在当今城市化进程迅速推进的时代，城市绿地对于改善城市生态环境、提升居民生活质量以及促进城市可持续发展具有至关重要的作用。

而遥感影像技术的出现和不断发展，为城市绿地的监测提供了高效、准确且全面的手段。

遥感影像，简单来说，就是通过卫星、飞机或其他高空平台上的传感器获取的大面积地表图像。

这些影像包含了丰富的信息，能够反映出城市绿地的分布、面积、类型以及健康状况等重要特征。

首先，遥感影像能够快速、大范围地获取城市绿地的信息。

传统的实地调查方法往往需要耗费大量的人力、物力和时间，而且只能覆盖有限的区域。

相比之下，遥感影像可以在短时间内覆盖整个城市甚至更大的范围，从而为我们提供了一个全局视角。

这对于了解城市绿地的整体布局和发展趋势非常有帮助。

其次，遥感影像可以精确地测量城市绿地的面积。

通过图像处理和分析技术，我们能够从影像中准确地识别出绿地的边界，并计算出其面积。

这为城市规划和管理部门提供了重要的数据支持，有助于制定合理的绿地规划和保护政策。

在城市绿地类型的划分方面，遥感影像也发挥着重要作用。

不同类型的绿地，如公园、街头绿地、防护绿地等，在遥感影像上具有不同的特征。

例如，公园通常面积较大，内部植被丰富多样；街头绿地则往往分布在道路两旁，形状较为规则。

通过对影像特征的分析，我们可以准确地划分绿地类型，从而更好地了解城市绿地的功能和结构。

此外，遥感影像还可以用于监测城市绿地的健康状况。

植被的生长状况、病虫害的发生以及水分的供应情况等都会在影像上有所反映。

例如，健康的植被在特定的波段上会呈现出较强的反射率，而受到病虫害或干旱影响的植被则反射率较低。

通过对这些信息的分析，我们可以及时采取措施，保护城市绿地的生态健康。

在实际应用中，遥感影像技术与地理信息系统（GIS）的结合，为城市绿地监测带来了更大的便利。

GIS 可以对遥感影像获取的数据进行存储、管理和分析，并将结果以直观的地图形式展示出来。

城市遥感影像阴影检测与补偿方法研究（二）由于IKONOS立体像对提取DSM数据的分辨率低，所以其影像数据分辨率，易导致所提取的阴影区域边缘产生误差。

为修正这种误差，采用一种具有较好边缘性的阴影检测方法——基于直方图阈值法。

基于直方图阈值法是利用IKONOS彩色影像数据的第4波段（近红外）波长最长，散射光最小，阴影区域与非阴影区域目标地物反射率差值最大，用第4波段进行基于直方图阈值法检测阴影精度最高，这种方法的优点是阴影区域具有较好的边缘性。

对IKONOS影像第4波段进行直方图灰度统计，以峰谷点为阴影和非阴影区分点（如图2-7），采用DN值密度分割的方法检测出阴影。

以上两种方法进行阴影检测各有特点，前者有很好的定位性，但边缘误差较大；后者有较好的边缘性,但阴影提取的精度低。

如果两种方法能很好地结合起来，既有好的定位性，又有好的边缘性，阴影检测的精度将大大提高。

图2-8就是这两种方法相结合检测阴影的流程图。

阴影区域检测结果见图2-9。

图2-6 原图像图2-7 第4波段直方图SHAPE \* MERGEFORMAT图2-8 结合两种方法检测阴影流程图图2-9 阴影检测的结果图2-9 中： ,式中，rh 为DSM 数据分辨率；rl 为影像数据分辨率；k为像元宽度。

2.4 实际影响检测效果我们用2.1和2.2节中所提到的两种方法分别对2-10图内的阴影检测。

图2-10 待检测的原图检测结果如下图（图中黑色为检测出的阴影区域，白色为检测的非阴影区域）：(a) 基于亮度的双峰法(b) 归一化互相关函数法图2-11 三种方法对阴影的检测结果可以看出前两种方法对阴影的检测结果差别，主要原因由于而归一化互相关函数在检测阴影时，利用了亮度近似线性变化这一特点，因此当亮度有突然的明显变化，都会被判为阴影。

而双峰法，当我们选取了比较合适的阈值，就能把阴影和光照区进行分割，对于绝大多数图片，这种方法提取出的部分，几乎都是阴影区域，只带有少量的颜色较深的斑点。

城镇阴影区植物分布信息提取与亮度修复的方法周坚华;周一凡;郭晓华;任珍【摘要】In the urban built-up areas with densely high-rising buildings, about 20% of land scape vegetation is growing at darken areas shaded by buildings or other higher plants. In order to drive a model of measuring captured carbon by remote sensing, one of the puzzles to be solved firstly is to separate and extract those plants at darken areas. So a new conception of NDUI (Normalized Difference Umbra Index) has been put forward here. With NDUI, the total area of landscape vegetation is extracted from an infrared remote sensing image by means of NDVI (Nor malized Difference Vegetation Index), and then the plants at darken areas are separated from the total area through another segmentation threshold referring to NDUI. These separated plants at darken area can be enhanced with an algorithm of repairing brightness. It is demonstrated by ex periments that the algorithm proposed here can work robustly to meet the requirement.%在建筑林立的城镇建成区,其绿化地通常有约20％的植物处于阴影区,为了实现绿化植物群碳捕获模型的全遥感驱动,必须解决的基础性难题之一是分离与提取阴影区植物.为此提出了归一化阴影指数(Normalized Difference Umbra Index,NDUI)的概念.当采用归一化植被指数(Normalized Difference Vegetation Index,NDVI)确定植被范围后,可以通过NDUI进一步分离和提取阴影区植物.为了改善识别效果,还可以在此基础上对阴影区植被进行亮度修复.经过仿真测试,证明该算法具有很好的稳健性.【期刊名称】《华东师范大学学报（自然科学版）》【年(卷),期】2011(000)006【总页数】9页(P1-9)【关键词】城镇绿地;碳捕获;阴影指数;亮度修复【作者】周坚华;周一凡;郭晓华;任珍【作者单位】华东师范大学地理信息科学教育部重点实验室,上海200062;斯坦福大学地球科学学院能源工程系,CA 94305-2220,USA;华东师范大学地理信息科学教育部重点实验室,上海200062;华东师范大学地理信息科学教育部重点实验室,上海200062【正文语种】中文【中图分类】TP79;TP751.1提取遥感图像上的阴影信息和进行亮度补偿是遥感图像处理和信息提取研究领域的一个较早引起关注的困难课题.近年来，国内外学者就此提出过一些算法［1－5］.然而，至今尚没有一种通用有效的方法.这主要是因为不同的场景和任务对阴影提取和补偿的要求有较大区别.比如一些研究将阴影考虑为低频信号，如较大山体背阴坡形成的阴影等，此时可以通过低通滤波的方法提取阴影［6］；而对于那些周期性重复、边缘灰度梯度明显的阴影，比如城镇居住小区建筑物形成的阴影等，则适合采用一些对影像纹理敏感的描述符表征它们［7－9］.另有一些研究根据阴影区亮度在各个波段均体现为低值的特性，来区分阴影与暗色调地物［10］.由于遥感影像上每个像素的亮度都是辐射源辐射通量作用于地物反射（包括部分吸收和散射）特性的复杂函数，在光照条件和地物的某些信息（比如太阳高度角、地形坡度、坡向、建筑物高度等）已知的情况下，也有一些研究考虑逐像素直接计算阴影改正值［11－13］.我们的研究小组一直致力于城镇绿化植物群碳捕获的遥感驱动模型研究.模型的主要驱动参数可以从遥感图像上自动识别和模拟计算得到，比如树种、冠径、株数、郁闭度、阴影遮蔽率等.在这些参数的提取中，一个必须解决的基础性难题是阴影区植物信息的分离与提取.在景观空间异质度极高的城镇建成区，通常有约20%的植物处于阴影区，即那些对植物形成光线遮挡的建筑物阴影区、高大植物对低矮植物形成的光线遮挡区，以及树冠的本影区；与此相对的是对植被基本没有遮挡的亮区.无论采用何种遥感图像数据，阴影区和亮区植被的反射波谱差异都很大；不仅如此，在阴影区，植物的树种、植株大小和分布等信息均大幅减弱.因此，解决阴影区植物信息提取问题，不仅要求提取植被覆盖范围，而且要求区分植株，即提取乔、灌木的轮廓.本文的研究和实验正是围绕这一要求展开的.这部分将从分析城镇绿化植物群的波谱特征入手，选择适当的植被指数，尽可能完整地提取植被覆盖范围.为了区分亮区和阴影区植被，这里提出了归一化阴影指数NDUI的概念，并通过NDUI和归一化植被指数NDVI联合提取阴影区植被，以及对阴影区植被做亮度修复.下面展开介绍它们的理论和方法.所有测试样本取自上海市1988～2003年1∶5 000～1∶10 000的彩红外航片.为了分析城市建成区绿化植物群与背景下垫面的反射波谱特征差异，这里采集植被和其他主要城镇下垫面类型样本的RGB值（分别大致对应景物波谱的IR，R，G 值）.众所周知，含叶绿素的健康植物在IR波段具有高反射特性，而在其他两个波段具有强吸收的特点.以下分别用R，G，B，和IR来表示相应的RGB和IR值.树冠无论在亮区和阴影区都有IR≫R和IR≫G；而其他下垫面类型的波谱没有这个特征，通常表现为IR、R、G比较接近.因此，对于彩红外图像IM（IR，R，G），植被像素集V可以由（1）式获得.其中，V是图像IM 满足条件IM（IR－G）＞T的子集，该条件也可以写作IM （IR－R）＞T.T为阈值，根据对具体图像的波谱分析给出.各种植被指数一般都依据（1）式的原理给出.但为了使用方便，通常要求植被指数存在一个比较确定的分割阈值，该阈值与图像类型和获取时的辐射照度水平等环境条件的差异无关.一些归一化植被指数符合这一要求.本文比较了以下三种植被指数提取城镇绿化植物覆盖范围的效果（见图1）.由图1可见，使用NDVI提取的植被覆盖范围（包括阴影区植被）比较准确完整.故本文选用NDVI提取城镇绿化植被总覆盖.对于区分植被覆盖与背景区域，NDVI具有比较确定的分割阈值；此外，它对图像辐照度水平差异不太敏感.图2显示了亮区、阴影区植被和城镇其它主要下垫面类型的NDVI（样本沿横轴排列，样本序号省略未注出，图4同）.由图可见，无论在亮区还是阴影区，植被的NDVI显著大于其它下垫面类型；根据试验，以NDVI ＞0.18为条件，可以准确提取植被范围.因为对于其他下垫面类型的样本，在亮区和阴影区都有－0.36＜NDVI＜1.8.据前述，NDVI用于提取植被总覆盖非常合理和有效.由于归一化，NDVI对亮区和阴影区的照度水平差不敏感，这有利于从多种下垫面类型中提取植被，却不利于在植被覆盖区域中区分亮区和阴影区.此时需要一个新指数用于阴影区植被分离和提取.在阴影区植被提取试验中，饱和度S的特殊表现引人注意.S是HSI色彩系统中的分量.该系统以色调H、饱和度S和亮度I表达色彩空间.当以HSI系统分析城镇下垫面的色彩特征时，不难发现在城镇地区，植被覆盖区具有较高的饱和度，而大多数其它下垫面类型，如人工建材表面，表现为消色体，饱和度很低.遥感图像波谱特征分析也能给出类似结论.当将彩红外RGB图像转换为HSI图像，无论在亮区或阴影区，树冠影像具有较高的饱和度；而水泥、沥青等人工建材表面多为消色体，无论在亮区或阴影区，都具有低饱和度特征.与明度I不同，饱和度S在阴影区并不显著下降，有些甚至高于亮区.所以，可以用（S－I）＞T1（T1是以S－I提取阴影区植被时的下限）来判断是否阴影区植被（见图3）.与植被指数归一化的原理相似，为了增大亮区、阴影区S－I的差异，以减少对阴影区细小亮度差异的敏感性，本文提出了归一化阴影指数（NDUI）的概念，即归一化的实质是用可变系数1／（S＋I）对S－I值做非线性拉伸.这里通过亮区和阴影区共140个植被样本，分析了这种拉伸对阴影区树冠提取效果的影响（见图4）.由图可见，亮区和阴影区植被的S－I值差异不显著，阴影区值仅略高于亮区值，一些亮区、阴影区样本甚至出现粘结和相互穿插的情况.所以，直接以S－I来分离阴影区植被效果不佳.但当使用NDUI时，情况有了很大改善.由图4可见，植被的NDUI与S－I在亮区相差不大，但在阴影区，NDUI与S－I的差异显著增大，即亮区与阴影区植被NDUI的差异显著增大.通过分析具体样本，NDUI跳高较多的是阴影区内具有较高饱和度的树冠.这就是使用NDUI可以较好提取阴影区树冠覆盖范围的原因.不仅如此，就像经过归一化的NDVI对亮区和阴影区的照度水平差不敏感一样，经过归一化的NDUI对阳高角变化等全局性的照度变化也不太敏感，这也是使用NDUI的优点之一.根据试验，可以用NDUI＞0.4来提取阴影区中的树冠.对于图像IM，阴影区树冠范围DV可写作：在本文的试验中，阴影区植被亮度修复在前述阴影区植被提取的基础上进行，亮度修复值的计算采用直方图均衡化（Histogram Equalization，HE）方法.HE是图像增强中普遍使用的算法.它属于基于累计分布函数（Cumulative Distribution Function，CDF）的直方图修正法，其结果是使图像灰度级分布具有均匀概率密度的特点.这里采用HE方法，是为了将阴影区植被的亮度调整到与亮区植被尽可能接近.本文使用一种称为CLAHE（Contrast-Limited Adaptive Histogram Equalization）的HE算法［17］.CLAHE属于自适应HE，它采用一定尺寸的滑动窗口对每个像素进行局部HE，使每个窗口的直方图接近平坦的目标直方图.这里采用CLAHE，是为了避免由于阴影区植被像素在全图像总像素中的占比较少，而受到压抑.窗口尺寸由阴影区图斑的平均尺寸确定，在本文的实验中，窗口尺寸设为12×12（像素）.在对整个植被覆盖区域做CLAHE后，以其结果替换阴影区内的相应像素.图5是一些阴影区植被亮度修复的例子，由图可见，修复运算使阴影区植被获得了比较自然和接近亮区植被的色彩.这里着重讨论本文算法的理论依据、使用效果和一些可能引起争议的问题. NDVI对植被处于亮区、阴影区不敏感的主要原因，是NDVI对IR－G采用了非线性拉伸.对于阴影区，分子IR－G相对于亮区减小，但同时分母IR＋G也相应减小；而对于亮区，分子相对于阴影区增大，但同时分母也相应增大.所以亮区NDVI并未明显高于阴影区.区别植被与背景的主要标志是植被的IR－G大大高于其它下垫面类型.但直接使用IRG提取植被效果并不理想.这是因为IR－G对亮区、阴影区的照度水平变化过于敏感.根据对图2中样本的统计，亮区植被的IR－G均值为75.88，相比阴影区的这一值仅为33.16，二者相差56.27%，如果直接使用（IR－G）＞T（T为以IR－G提取植被时的下限）提取植被，可能造成对亮区植被的过提取（植被中含有其它下垫面信息）和阴影区植被的欠提取.而使用NDVI提取植被的情况很不相同.由于NDVI使用可变系数1／（IR＋G）非线性拉伸IR－G值，对于图2所示的样本，在阴影区，植被的IR－G值比亮区平均降低56.27%的同时，IR＋G值平均比亮区也降低了45.83%.它意味着，二者的比值NDVI仅降低了21.94%，即这种拉伸降低了NDVI对亮区和阴影区照度水平差的敏感性.所以使用NDVI比直接使用IR－G提取的植被覆盖范围更准确和完整，为进一步分离和提取阴影区植被奠定了基础.5为了尽可能完整地提取阴影区植被，在使用NDVI提取植被覆盖范围时，可以适当放宽下限，比如放宽到NDVI＞0.16.此时植被覆盖范围中，可能包含了部分阴影区背景，如裸土地、空秃草地等.如果使用明度I＜T2（T2为阴影区明度上限）来提取阴影区植被，提取的植被里会包含这些背景信息；而使用NDUI则不会出现这个问题，因为在彩红外图像上具有足够高饱和度的只能是树冠.图6显示了当取NDVI＞0.16时，以这两种方法提取和修复阴影区植物亮度的差别.因为I直接反映辐射照度水平，当遥感图像的类型和获取的环境条件不同时，T2值都需要做出相应调整.其次，以一个明度阈值来划分阴影区常常不够准确.试验证明，以I方法检测的边界做阴影区植被亮度修复，修复范围会包括树冠在草地和裸土地上的投影，甚至背光的混凝土墙面和建筑物在混凝土地面的投影等（如图6（c）中箭头标示之处）.而以NDUI＞0.4作为阴影区植被提取条件时（简称“NDUI方法”），只提取了阴影区树冠，并对其进行了亮度修复.在图6（d）中，以红、绿色细线分别标示以I方法和NDUI方法提取的植被阴影区.由图可见，后者并非前者的子集，以I方法提取的阴影区边界，有非植被覆盖区被提取，也有阴影区植被被遗漏；而NDUI方法提取的边界则比较合理，它比较完整地提取了阴影区树冠.在阴影区植被提取算法中使用了两个阈值：0.18（以NDVI＞0.18提取植被总覆盖）和0.4（以NDUI＞0.4提取阴影区植被树冠，该阈值根据实验数据归纳得到）.下面讨论这两个阈值的稳定性.NDVI对辐射照度水平的差异不太敏感，所以提取植被覆盖范围的阈值具有较好的稳定性.比如图2的样本取自两个年份不同季节的4张彩红外航片，证明该阈值对时间和季节变化具有较好的适应性.从相关报道来看，该阈值也与遥感图像的类型无关，如张友水使用IKONOS多光谱图像，以NDVI＞0.18提取城镇绿地植被覆盖效果很好［18］，说明该阈值对不同类型的遥感图像也具有稳定性.在HSI彩色系统中，饱和度S是对辐射照度水平最不敏感的分量.而明度I却正相反；所以用差值S－I来提取阴影区植被非常合理；但S－I对阴影区亮度水平的细小差异依然敏感.而NDUI通过归一化进一步加大了亮区和阴影区植被的差异，而使NDUI对阴影区亮度水平的细小差异不敏感，同时也使阈值0.4对阴影区亮度水平的细小差异不敏感.图4中的140个样本取自两个年份不同季节的6张彩红外航片，证明该阈值对时间和季节变化，以及阴影区亮度水平的细小差异具有较好的稳定性.本文算法的稳健性也从阴影区植被的提取实例中得到了证实（参见图5和图6）.从实用性来看，本文的算法除了能为城镇绿化植物群碳捕获模型的遥感驱动提供必须的基础数据外，还有可能服务于需要分离、提取和修复阴影区植被亮度的任何应用领域.在实际应用中，可以结合使用I方法和NDUI方法分离和提取阴影区植物.可以用I方法提取整个阴影区绿地范围，以帮助定量一些植物生长的环境压力参数，如遮蔽率等.同时用NDUI方法提取阴影区树冠边界，并对其进行亮度修复，以帮助树冠的定性和定量信息提取，如统计株数、计算冠径、识别树种和计算树冠郁闭饱和度等.本文提出了归一化阴影指数NDUI的概念以及城镇地区阴影区植被提取和亮度修复的算法.经过样本统计分析和遥感图像实例测试，证明该算法具有很好的稳健性.该算法以归一化植被指数NDVI确定植被总覆盖，和以NDUI分离和提取阴影区树冠.在阴影区植被提取中，通过“I方法”与“NDUI方法”的比较，证明前者对提取阴影区植被总覆盖有帮助；后者对于阴影区树冠提取性能优异.所以，可以根据需要选用适当的方法.当强调提取整个阴影区绿地范围时，比如自动计算阴影区遮蔽率等，使用I方法比较有效，但需要针对遥感图像类型和获取的环境条件等做统计分析来确定I的阈值，还需要防止阴影区过提取问题.当侧重于单植株分析时，比如要求自动统计株数、计算冠径、识别树种和计算树冠郁闭饱和度等，则NDUI 方法有无可替代的优势.本文还通过亮度修复试验，证明对于阴影区植被采用自适应直方图均衡化亮度修复，能获得比较自然和接近亮区植被的色彩.同时这个试验也直观地显示了I方法和NDUI方法在提取对象和范围上的显著差别.【相关文献】［1］ TSAI V J D.A comparative study on shadow compensation of color aerial images in invariant color models［J］.IEEE Transactions Geoscience and Remote Sensins，2006，44（6）：1661-1667.［2］ YOUNG S D，KAKARLAPUDI S，UIJT DE HAAG M.A shadow detection and extraction algorithm using digital elevation models and x-band weather radar measurements［J］.International Journal of Remote Sensing，2005，26：1531-1549. ［3］ SARABANDI P，YAMAZAKI F，MATSUOKAV M，et al.Shadow detection and radiometric restoration in satellite high resolution images［C］／／Proceedings of the IEEE International Geoscience and Remote Sensing Symposium.Anchorage，AK：［s.n.］，2004（6）：3733-3747.［4］ FINLAYSON G D，HORDLEY S D，DREW M S.Removing Shadows from Images ［M］.Berlin：Springer Verlag，2002.［5］ AKIRA S，AKIO S，HIROYUKI A，et al.Dynamic shadow compensation of aerial images based on color and spatial analysis［C］／／The International Conference on Pattern Recognition（ICPR’00）.Barcelona：［s.n.］，2000（1）：317-320.［6］王树根，郭泽金，李德仁.彩色航空影像上阴影区域信息补偿的方法［J］.武汉大学学报：信息科学版，2003，28（5）：514-516.WANG S G，GUO Z J，LI D R.Shadow compensation of color aerial images［J］.Geomatics and Information Sci-ence of Wuhan University，2003，28（5）：514-516. ［7］何凯，赵红颖，刘晶晶，等.基于分形及纹理分析的城市遥感影像阴影去除［J］.天津大学学报，2008，41（7）：800-804.HE K，ZHAO H Y，LIU J J，et al.Shadow removal of city’s remote sensing image basedon fractal and texture analysis［J］.Journal of Tianjin University，2008，41（7）：800-804.［8］许妙忠，余志惠.高分辨卫星影像中阴影的自动提取与处理［J］.测绘信息与工程，2003，28（1）：20-22.XU M Z，YU Z H.Automated extraction of shadow in very-high resolution spatial satellite images［J］.Journal of Geomatrics，2003，28（1）：20-22.［9］ DARE P M.Shadow analysis in high-resolution satellite imagery of urban areas ［J］.Photogrammetric Engineering and Remote Sensing，2005，71：169-177.［10］李存军，刘良云，王纪华，等.基于主成分融合信息失真的城市IKONOS影像阴影自动提取研究［J］.武汉大学学报：信息科学版，2008，33（9）：947-950.LI C J，LIU L Y，WANG J H，et al.IKONOS shadow extraction in urban region based on principal component fusion information distortion［J］.Geomatrics and Information Science of Wuhan University，2008，33（9）：947-950.［11］李先华，刘顺喜，黄薇，等.月球表面遥感图像阴影消除及其信息恢复研究［J］.应用光学，2009，30（3）：423-426.LI X H，LIU S X，HUANG W，et al.Shadow removal and information recovery for remote sensing images of lunar surface［J］.Journal of Applied Optics，2009，30（3）：423-426. ［12］高龙华.基于 Quickbird影像的阴影校正模型研究［J］.重庆邮电学院学报，2005，17（2）：226-229.GAO L H.Research into the shadow emendation model based on Quickbird image［J］.Journal of Chongqing University of Posts and Telecommunications，2005，17（2）：226-229.［13］李先华.遥感信息的地形影响与改正［J］.测绘学报，1986，15（2）：102-109.LI X H.A radiometric correction of relief disturbances in the remote sensed data［J］.Acta Geodaetica et Cartographica Sinica，1986，15（2）：102-109.［14］ LIU H Q，HUETE A R.A feedback based modification of the NDVI to minimize soil and atmospheric noise［J］.IEEE Transactions Geoscience Remote Sensing，1995，33：457-465.［15］ HUETE A R.A soil-adjusted vegetation index（SAVI）［J］.Remote Sensing Environment，1988，25：295-309.［16］ GAO X，HUETE A R，NI W.Optical-biophysical relationships of vegetation spectra without background contamination［J］.Remote Sensing Environment，2000，74（3）：609-620.［17］ STEFANOYIANNIS A P，COSTARIDOU L，SKIADOPOULOS S.A digital equalization technique improving visualization of dense mammary gland and breast periphery in mammography［J］.European Journal of Radiology，2003，45：139-149.［18］张友水，冯学智，都金康，等.IKONOS影像在城市绿地提取中的应用［J］.地理研究，2004，23（2）：275-280.ZHANG Y S，FENG X Z，DU J K，et al.The applications of IKONOS images in theextraction of urban landscape vegetation［J］.Geographical Research，2004，23（2）：275-280.。