基于光譜特征的遙感影像陰影遮擋道路提取方法研究

陳國(guó)慶　韋春桃　陳奕州

摘 要：針對(duì)遙感影像中如何在保證道路信息提取準(zhǔn)確度的同時(shí)也能保證其完整性這一問(wèn)題，提出綜合指數(shù)陰影檢測(cè)算法和基于改進(jìn)的灰度世界陰影補(bǔ)償算法來(lái)提取陰影遮擋道路。首先，利用綜合陰影檢測(cè)算法得到較為精確的陰影檢測(cè)圖像；根據(jù)陰影檢測(cè)結(jié)果圖，利用改進(jìn)的灰度世界陰影補(bǔ)償算法對(duì)陰影區(qū)域進(jìn)行補(bǔ)償，得到道路面陰影與周圍環(huán)境陰影區(qū)域存在差異的圖像。其次，利用分割算法實(shí)現(xiàn)陰影道路區(qū)域的分割；將其與ISODATA聚類算法分割的非陰影道路區(qū)域進(jìn)行合并。最后，利用幾何權(quán)重連通性分析模型進(jìn)行非道路區(qū)域的濾除。結(jié)果表明：該方法可以很好地保證道路提取的準(zhǔn)確性和質(zhì)量，適用于多種不同場(chǎng)景的陰影遮擋道路提取。

關(guān)鍵詞：陰影檢測(cè)；陰影補(bǔ)償；道路提??；幾何權(quán)重連通性分析模型

中圖分類號(hào)：TP751 文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1673-5072（2023）04-0424-07

隨著遙感衛(wèi)星技術(shù)的不斷更新，遙感影像的分辨率實(shí)現(xiàn)了由低到高的轉(zhuǎn)變，也有了更加豐富的影像信息，但陰影現(xiàn)象的影響也變得尤為突出，特別是在道路提取過(guò)程中受房屋、樹(shù)木等遮擋，不能完整地提取道路，所以解決該問(wèn)題對(duì)遙感信息的應(yīng)用非常重要［1］。

陰影檢測(cè)方法有以下兩種，其一是基于幾何模型的檢測(cè)方法，但該方法相關(guān)參數(shù)獲取度大、復(fù)雜度高，故局限性也大［2］；另一種檢測(cè)方法是根據(jù)陰影區(qū)域和非陰影區(qū)域的屬性進(jìn)行分別，比如光譜、紋理以及幾何特征等。虢建宏等［3］提出基于遙感影像直方圖閾值來(lái)檢測(cè)并提取多個(gè)波段陰影區(qū)域；Mostafa等［4］構(gòu)建了結(jié)合主成分分析的第一主成分和多光譜波段的陰影檢測(cè)指數(shù)，實(shí)驗(yàn)影像的陰影區(qū)域較其他區(qū)域會(huì)得到較大的指數(shù)，從而可以運(yùn)用閾值分割方法得到陰影區(qū)域，該陰影檢測(cè)方法能很好地區(qū)分陰影與植被區(qū)域，但還是存在深色地物的誤檢問(wèn)題。許多陰影區(qū)域檢測(cè)方法容易將植被、藍(lán)色以及深色非陰影區(qū)域地物錯(cuò)誤地檢測(cè)為陰影區(qū)域［5］。關(guān)于

遙感影像陰影補(bǔ)償方法，楊?。?］結(jié)合陰影投射方向，對(duì)陰影區(qū)域進(jìn)行光照特征補(bǔ)償，在不改變陰影區(qū)域特征信息的前提下進(jìn)行陰影去除。林宗堅(jiān)等［7］分析陰影區(qū)域與非陰影區(qū)域直射光的差異，提出了陰影成像模型的補(bǔ)償方法。Yang等［8］在改進(jìn)Wallis原理的基礎(chǔ)上，設(shè)計(jì)了一種新的陰影自動(dòng)補(bǔ)償框架，其中包含了強(qiáng)度系數(shù)和拉伸系數(shù)，可以更有效地增強(qiáng)對(duì)比度和亮度。

在遙感影像處理中，陰影遮擋道路的問(wèn)題目前沒(méi)有普適性強(qiáng)的方法，而且目標(biāo)提取研究也相對(duì)較少。Hu等［9］提出一種基于“橋接”模型算法，能有效減少因道路遮擋而提取不完整的現(xiàn)象，但對(duì)復(fù)雜場(chǎng)景的影像存在一定缺陷；王卓等［10］提出的改進(jìn)U-Net網(wǎng)絡(luò)方法在道路提取的準(zhǔn)確性上有提高，但對(duì)于場(chǎng)景復(fù)雜的、有陰影遮擋的道路提取結(jié)果欠佳。

綜上，本文提出綜合指數(shù)陰影檢測(cè)算法和基于改進(jìn)的灰度世界陰影補(bǔ)償算法來(lái)提取陰影遮擋道路。通過(guò)綜合陰影檢測(cè)算法，得到陰影檢測(cè)結(jié)果圖，然后對(duì)陰影區(qū)域進(jìn)行抑制藍(lán)色分量和改進(jìn)的灰度世界陰影補(bǔ)償算法進(jìn)行補(bǔ)償，可以有效減少傳統(tǒng)的直方圖匹配算法產(chǎn)生的植被區(qū)陰影等斑塊的干擾，從而提高陰影道路的完整性。

1 研究方法

1.1 技術(shù)路線與圖像預(yù)處理

1.1.1 技術(shù)路線

本文數(shù)據(jù)使用2017年由Inria發(fā)布的公開(kāi)數(shù)據(jù)集，采集自0.3 m分辨率的遙感影像［11-12］。將遙感影像分為陰影道路提取和非陰影道路提取，其中陰影道路區(qū)域先利用綜合的陰影檢測(cè)指數(shù)得到陰影檢測(cè)圖，然后將其進(jìn)行陰影補(bǔ)償，最后對(duì)補(bǔ)償后跟周邊地物有一定區(qū)別的道路進(jìn)行分割，再與ISODATA聚類算法分割的非陰影道路結(jié)合，對(duì)道路候選區(qū)域進(jìn)行幾何權(quán)重連通性分析模型處理，最后得到道路提取結(jié)果。本文技術(shù)流程如圖1。

1.1.2 圖像預(yù)處理

對(duì)原始圖像進(jìn)行線性拉伸，以提高影像清晰度，突出所需信息，利于進(jìn)一步處理和分析。如圖2、圖3所示，原始影像整體偏暗，因此采用基于灰度直方圖的線性拉伸，這樣處理使顯示效果發(fā)生了變化，亮度得到提升，影像變得更加清晰，道路區(qū)域與周邊背景區(qū)域的差異得到增強(qiáng)，且像元值沒(méi)有任何改變。

1.2 陰影道路區(qū)域提取

1.2.1 陰影區(qū)域檢測(cè)

陰影區(qū)域中各分量亮度都會(huì)有所下降，其中紅色分量會(huì)急劇減少，綠色分量次之，而藍(lán)色分量保留較多。為了增大陰影與非陰影區(qū)域的差異，提出歸一化藍(lán)紅分量指數(shù)（NBRI）［13］，定義如下：

其中，NBRI指數(shù)取值為［-1，1］；B、R分別為藍(lán)色分量、紅色分量。NBRI值越大，說(shuō)明該區(qū)域藍(lán)色光比例越大，越可能是陰影區(qū)域。但由于藍(lán)色地物在所屬光譜值中藍(lán)色分量較大，從而藍(lán)色地物的NBRI值也較大。

在HIS顏色模型中，由于陰影區(qū)域被樹(shù)木、建筑物等遮擋了太陽(yáng)光，所以亮度值更低，飽和度更高，色調(diào)值更大，陰影區(qū)域接近于黑色。因此提出基于HIS顏色空間的歸一化陰影指數(shù)（SI），定義如下：

其中：H和I分別是HIS中的色調(diào)和強(qiáng)度，SI指數(shù)越大陰影區(qū)域的值越大，但深色地物與植被具有相似的特性，從而植被的SI值也會(huì)很大。

根據(jù)2個(gè)陰影檢測(cè)指數(shù)的特性，結(jié)合2者可以得到更加精確的陰影檢測(cè)結(jié)果。

1.2.2 陰影區(qū)域補(bǔ)償

顏色的恒常性就是讓計(jì)算機(jī)也具有人類視覺(jué)系統(tǒng)的功能，在不同光源的照射下還原圖像本來(lái)的顏色，故需要選擇合適的顏色平衡（校正）算法［14］?；叶仁澜缢惴ㄊ腔趫D層特征的顏色恒常算法，本文結(jié)合抑制算法［15］和改進(jìn)的灰度世界算法進(jìn)行陰影區(qū)域的補(bǔ)償，可以增大道路區(qū)域與周邊地物的差異，以便后續(xù)陰影道路的提取。

首先，對(duì)遙感航空影像進(jìn)行陰影檢測(cè)，將影像分為陰影區(qū)域Si（x，y）和非陰影區(qū)域NSi（x，y）兩幅圖像，先對(duì)Si（x，y）的藍(lán)色分量進(jìn)行抑制，再分別估算陰影區(qū)域與非陰影區(qū)域的光照強(qiáng)度和顏色。

式中，λ為顏色調(diào)整參數(shù)。

其次，根據(jù)計(jì)算得到的光照顏色對(duì)陰影區(qū)域進(jìn)行補(bǔ)償。定義如下：

式中，k（S）代表陰影區(qū)域的光照顏色，k（NS）代表非陰影區(qū)域的光照顏色；S（x，y）代表陰影區(qū)域影像，NS（x，y）代表非陰影區(qū)域影像；a為固定的常數(shù)，p代表明可夫斯基范式中的指數(shù)參數(shù)，可以?。?，∞］內(nèi)的任意整數(shù)；S（x，y）表示影像與高斯濾波G卷積，G為3×3模板。

根據(jù)以上的公式的運(yùn)算結(jié)果，通過(guò)式（6）對(duì)影像陰影區(qū)域圖像進(jìn)行校正，可以達(dá)到陰影補(bǔ)償?shù)哪康摹?/p>

1.3 非陰影道路區(qū)域提取

一般道路多呈線狀，紋理較均勻，光譜相似度較高。利用非監(jiān)督分類的方法可以在沒(méi)有先驗(yàn)知識(shí)的情況下使用光譜信息對(duì)影像進(jìn)行分類。ISODATA算法即迭代自組織數(shù)據(jù)分析算法［14］，是常用的非監(jiān)督分類方法，該算法與K-mean聚類算法相比對(duì)初始中心的選取影響較小，聚類效果更好［18］，所以本文選取ISODATA聚類算法進(jìn)行非陰影道路的分割。

1.4 非道路區(qū)域?yàn)V除

1.4.1 幾何權(quán)重連通性分析模型

道路提取的困難不僅在于陰影遮擋，還在于要把潛在的道路區(qū)域與非道路區(qū)域的影像進(jìn)行分離。針對(duì)以上情況，采用幾何權(quán)重連通性分析模型對(duì)道路候選區(qū)域結(jié)果加以分析，該模型充分考慮了道路區(qū)域的幾何信息和紋理信息。將影像局部的方差作為紋理信息，幾何特征則使用改進(jìn)的長(zhǎng)寬比指數(shù)來(lái)計(jì)算，從而構(gòu)造幾何權(quán)重連通性分析模型，該模型要分別滿足閾值T1和T2，可表示為：

式中，Ni為長(zhǎng)寬比指數(shù)值；Te為面積權(quán)重值；GW為幾何權(quán)重連通性模型值；L為連通區(qū)對(duì)象的外接矩陣的對(duì)角線長(zhǎng)度；S為連通區(qū)對(duì)象的面積；Amax為最大連通區(qū)域?qū)ο蟮拿娣e；ai為第i個(gè)連通對(duì)象的面積；σi為第i個(gè)連通對(duì)象的方差。

利用幾何權(quán)重連通性模型將非道路區(qū)域剔除，已知道路區(qū)域線性特征明顯，故通過(guò)長(zhǎng)寬比公式來(lái)設(shè)定閾值，當(dāng)研究區(qū)域的長(zhǎng)寬比大于給定閾值時(shí)，則認(rèn)為該區(qū)域?yàn)榈缆罚粗畡t認(rèn)為不是，予以剔除。選用方差作為紋理特征，當(dāng)被選區(qū)域的紋理均勻時(shí)，方差就小，反之方差就越大。道路區(qū)域是互相連成一個(gè)線狀結(jié)構(gòu)的，因此遙感影像中的道路區(qū)域具有連續(xù)性，所以道路區(qū)域的面積相對(duì)較大，故選用Amaxai作為權(quán)重，自適應(yīng)地將小面積區(qū)域的權(quán)重加大，從而篩選道路區(qū)域。

2 結(jié)果與分析

2.1 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)1。選取1 956像素×1 941像素帶有藍(lán)色地物及植被（紅色框）的遙感影像（圖4a），該影像場(chǎng)景包括了藍(lán)色地物、植被、房屋、道路等。

首先將陰影檢測(cè)結(jié)果通過(guò)Otsu算法進(jìn)行閾值分割得到二值化的陰影檢測(cè)圖像。如圖4b所示，NBRI指數(shù)會(huì)將藍(lán)色地物檢測(cè)出來(lái)，但在植被檢測(cè)中表現(xiàn)較好；SI指數(shù)在檢測(cè)藍(lán)色地物時(shí)表現(xiàn)較好，但在植被檢測(cè)中會(huì)出現(xiàn)誤檢情況（圖4c）。本文將兩種陰影檢測(cè)指數(shù)相結(jié)合得到圖4d，藍(lán)色地物和植被都被成功去除，得到了較為精確的陰影檢測(cè)圖。

實(shí)驗(yàn)2。選取1 850像素×1 841像素道路陰影的遙感影像（圖5a），該影像是植被遮擋光線產(chǎn)生的陰影區(qū)域，其中包含了道路區(qū)域以及周邊的植被區(qū)域。

通過(guò)對(duì)遙感影像進(jìn)行陰影檢測(cè)（圖5b），將遙感影像分解為陰影圖像與非陰影圖像兩幅圖像，首先對(duì)陰影圖像進(jìn)行藍(lán)色分量抑制，然后再利用提出的陰影補(bǔ)償算法進(jìn)行陰影補(bǔ)償，從而增大道路區(qū)域與周邊地物的差異（圖5c）。本文采用高效的分割算法——Lazy Snapping算法［16］，將突顯的道路區(qū)域作為前景，其余視為背景，結(jié)合該算法對(duì)陰影道路區(qū)域進(jìn)行分割，得到被陰影遮擋的道路區(qū)域（圖5d）。

實(shí)驗(yàn)3。為了更加直觀地驗(yàn)證本文方法的優(yōu)劣，從定性和定量?jī)蓚€(gè)方面來(lái)驗(yàn)證，其中定量評(píng)價(jià)的3個(gè)指標(biāo)為完整率（C1）、正確率（C2）、和質(zhì)量（C3），計(jì)算公式如下：

式中，TP表示正確提取的道路像元個(gè)數(shù)；FN表示漏提的道路像元個(gè)數(shù)；FP表示誤提的道路像元個(gè)數(shù)。

選取4 642像素×2 950像素的郊區(qū)影像和3 104像素×2 788像素的城市影像對(duì)本文的方法加以驗(yàn)證。圖6a包含房屋、房屋前的院子和被樹(shù)木陰影遮擋干擾的道路；圖6b影像中為城市道路，場(chǎng)景復(fù)雜，地物信息多，路面不僅有許多車輛遮擋，還有建筑物陰影的遮擋，存在多種因素的干擾。

首先對(duì)遙感影像利用ISODATA算法進(jìn)行非監(jiān)督分類，其中分類類別為5～6類，最小類間距為5，得到分類后的影像，選擇類別聚類中心光譜值與道路光譜值最接近的兩類為初始道路結(jié)果，以此得到郊區(qū)與城市非陰影的道路區(qū)域。

對(duì)于郊區(qū)道路陰影遮擋區(qū)域，通過(guò)綜合陰影指數(shù)檢測(cè)出陰影圖像，得到基于RGB空間的陰影圖像，先選取λ=0.7以抑制藍(lán)光分量，然后結(jié)合本文提出的陰影補(bǔ)償算法增大陰影道路區(qū)域與周邊地物的區(qū)別，基于Lazy Snapping算法分割的道路更加貼合原道路區(qū)域，再將兩者結(jié)合得到道路候選區(qū)域，最后利用幾何權(quán)重連通性分析模型進(jìn)行非道路剔除，其中長(zhǎng)寬比指數(shù)閾值設(shè)置為18，大于該閾值的被認(rèn)為是道路保留；面積權(quán)重閾值設(shè)置為55，小于該閾值的被認(rèn)為是道路保留。本文得到的結(jié)果與傳統(tǒng)的直方圖匹配算法對(duì)比結(jié)果顯示（圖7，圖8），直方圖匹配算法提取的道路會(huì)誤提陰影遮擋的其他地物，難以消除非道路面陰影對(duì)道路提取帶來(lái)的干擾。由表1可知，雖然本文算法在郊區(qū)道路的完整率上略低于直方圖匹配，但在正確率和綜合質(zhì)量上都遠(yuǎn)高于直方圖匹配算法。

城市道路影像提取時(shí)，由于道路停放車輛較多，因此道路上出現(xiàn)許多細(xì)小陰影被檢測(cè)出來(lái)，將ISODATA算法分割出來(lái)的非陰影道路區(qū)域使用形態(tài)學(xué)算法先行處理；在道路影像處理中，長(zhǎng)寬比指數(shù)閾值設(shè)置為8，面積權(quán)重閾值設(shè)置為45，λ=0.7，城市道路受植被、汽車及材質(zhì)相似的房屋等因素的干擾，道路區(qū)域沒(méi)有清晰的邊界，致使本文方法提取道路的正確率只有80.790%，但完整率可達(dá)到92.453%。

本文方法在兩種場(chǎng)景的檢測(cè)質(zhì)量上都約高于直方圖匹配方法13%，正確率也提高了10%以上，從定性和定量?jī)蓚€(gè)方面驗(yàn)證了本文方法的優(yōu)勢(shì)，故本文道路提取結(jié)果取得了較好的效果，對(duì)遙感影像信息的應(yīng)用有一定的參考與借鑒。

3 結(jié)論與展望

本文針對(duì)遙感影像中如何在保證道路信息提取準(zhǔn)確度的同時(shí)也能保證其完整性這一問(wèn)題，提出結(jié)合綜合指數(shù)陰影檢測(cè)算法和基于改進(jìn)的灰度世界陰影補(bǔ)償算法來(lái)提取陰影遮擋道路。首先，針對(duì)NBRI指數(shù)誤檢藍(lán)色地物和SI指數(shù)誤檢植被等缺點(diǎn)，提出本文陰影檢測(cè)算法，得到較為精確的陰影檢測(cè)圖像；根據(jù)陰影檢測(cè)結(jié)果圖，在陰影區(qū)域中利用綜合陰影指數(shù)進(jìn)行陰影檢測(cè)，利用Otsu閾值分割方法，得到陰影檢測(cè)圖像；將得到的陰影圖像進(jìn)行藍(lán)色分量抑制，再用改進(jìn)的灰度世界算法進(jìn)行陰影補(bǔ)償，擴(kuò)大道路與周邊地物的差異，借助Lazy Snapping算法實(shí)現(xiàn)陰影道路的提?。粚?duì)預(yù)處理影像進(jìn)行ISODATA聚類分割，選取與道路光譜值最接近的兩類為初始道路結(jié)果，以此對(duì)遙感影像進(jìn)行道路粗提取；最后將提取的陰影區(qū)域和非陰影區(qū)域進(jìn)行結(jié)合得到道路候選區(qū)域，再利用幾何權(quán)重連通性模型進(jìn)行非道路區(qū)域的濾除。

本文算法在郊區(qū)和城市兩種不同場(chǎng)景進(jìn)行實(shí)驗(yàn)，最后檢測(cè)質(zhì)量都能達(dá)到70%以上，獲得道路區(qū)域精度較高，有效地提高了道路的準(zhǔn)確性和完整性，且在陰影遮擋區(qū)域提取設(shè)置的閾值較少，可以輔助于道路導(dǎo)航、城市規(guī)劃以及地理信息庫(kù)的更新等方面。然而，本文的陰影檢測(cè)算法雖然結(jié)合兩種陰影指數(shù)算法，但對(duì)于深色地物還是存在誤檢情況。本文提出的陰影道路補(bǔ)償算法在復(fù)雜環(huán)境下的表現(xiàn)欠佳，后續(xù)的研究將針對(duì)復(fù)雜場(chǎng)景陰影區(qū)域補(bǔ)償算法做進(jìn)一步的研究。

參考文獻(xiàn)：

［1］ 鄧琳，鄧明鏡，張力樹(shù).高分辨率遙感影像陰影檢測(cè)與補(bǔ)償方法優(yōu)化［J］.遙感技術(shù)與應(yīng)用，2015，30（2）：277-284.

［2］ 方菊芹.遙感影像陰影檢測(cè)與去除算法研究［D］.重慶：西南交通大學(xué)，2014.

［3］ 虢建宏，田慶久，吳昀昭.遙感影像陰影多波段檢測(cè)與去除理論模型研究［J］.遙感學(xué)報(bào)，2006，10（2）：151-159.

［4］ MOSTAFA Y，ABDELHAFIZ，A.Accurate shadow detection from High-Resolution satellite images［J］.IEEE Geoscience and Remote Sensing Letters，2017，14（4）：494-498.

［5］ 董勝光.顧及陰影補(bǔ)償?shù)母叻直媛蔬b感影像對(duì)象級(jí)稀疏表示分類［D］.長(zhǎng)沙：湖南師范大學(xué)，2019.

［6］ 楊俊，趙忠明.基于歸一化RGB色彩模型的陰影處理方法［J］.光電工程，2007，32（12）：92-96.

［7］ 林宗堅(jiān)，任超鋒，姚娜，等.一種航空影像陰影補(bǔ)償方法［J］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2013，38（4）：431-435.

［8］ YANG Y，RAN S，GAO X，et al.An automatic shadow compensation method via a new model combined Wallis Filter with LCC Model in high resolution remote sensing images［J］.Applied Sciences，2020，10（17）：5799.

［9］ HU H，LIU Y，WANG X，et al.Road extraction in remote sensing images using a new algorithm［C］//International Conference on Intelligent Information Hiding and Multimedia Signal Processing.IEEE，2008

［10］王卓，閆浩文，祿小敏，等.一種改進(jìn)U-Net的高分辨率遙感影像道路提取方法［J］.遙感技術(shù)與應(yīng)用，2020，35（4）：741-748.

［11］MAGGIORI E，TARABALKA Y，CHARPIAT G，et al.Can semantic labeling methods generalize to any city？The inria aerial image labeling benchmark［C］//International Geoscience and Remote Sensing Symposium （IGARSS）.IEEE，2008.

［12］MAGGIORI E，TARABALKA Y，CHARPIAT G，et al.Can semantic labeling methods generalize to any city？The inria aerial image labeling benchmark［EB/OL］.（2017-10-14）［2022-02-07］.https：//project.inria.fr/aerialimagelabeling/.

［13］陳紅順，賀輝，肖紅玉，等.基于光譜特征的高空間分辨率遙感影像陰影檢測(cè)［C］.中科院長(zhǎng)春光機(jī)所，《光學(xué)精密工程》編輯部.2015光學(xué)精密工程論壇論文集.2015：495-501.

［14］張海霞，卞正富.遙感影像植被信息提取方法研究及思考［J］.地理空間信息，2007，5（6）：65-67.

［15］王樹(shù)根，郭澤金，李德仁.彩色航空影像上陰影區(qū)域信息補(bǔ)償?shù)姆椒ǎ跩］.武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2003，28（5）：514-516.

［16］LI Y，SUN J，TANG C K，et al.Lazy snapping［J］.ACM Transactions on Graphics，2004，23（3）：303-308.

［17］陳平生.K-means和ISODATA聚類算法的比較研究［J］.江西理工大學(xué)學(xué)報(bào)，2012，33（1）：78-82.

［18］趙書河.高分辨率遙感數(shù)據(jù)處理方法實(shí)驗(yàn)研究［J］.地學(xué)前緣，2006，13（3）：60-68.

Extraction Method of Shadow Occlusion Roadsfrom Remote Sensing Images Based on Spectral Features

CHEN Guo-qing，WEI Chun-tao，CHEN Yi-zhou

（School of Civil Engineering，Chongqing Jiaotong University，Chongqing 400041，China）

Abstract：Aiming at the problem of ensuring the accuracy of road information extraction and its integrity in remote sensing images at the same time，a comprehensive exponential shadow detection algorithm and an improved Grey-world shadow compensation algorithm are proposed to extract shadow occlusion roads.First，the comprehensive shadow detection algorithm is adopted to obtain a more accurate shadow detection image and the improved Gray-world shadow compensation algorithm is employed to compensate the shadow area in accordance with the shadow detection result map，obtaining the difference image between the shadow of road surface and the shadow area of surrounding environment.Secondly，the segmentation algorithm is utilized to achieve the segmentation of the shadow road area，which is then merged with the non-shadow road area segmented by ISODATA clustering algorithm.Finally，the non-road area is filtered out by the geometric weight connectivity analysis model.The results show that this method has better performance in ensuring the accuracy and quality of road extraction，applicable to road extraction in a variety of different scenes.

Keywords：shadow detection；shadow compensation；road extraction；geometric weight connectivity analysis model

收稿日期：2021-09-16基金項(xiàng)目：重慶市基礎(chǔ)科學(xué)與前沿技術(shù)研究專項(xiàng)重點(diǎn)項(xiàng)目（cstc2015jcyj BX0023）；桂林市科學(xué)技術(shù)研究開(kāi)發(fā)項(xiàng)目（20190601）

作者簡(jiǎn)介：陳國(guó)慶（1996—），女，碩士研究生，主要從事攝影測(cè)量與遙感理論應(yīng)用研究。

通信作者：韋春桃（1968—），女，教授，主要從事攝影測(cè)量與遙感理論應(yīng)用研究。E-mail：269276944@qq.com

引文格式：陳國(guó)慶，韋春桃，陳奕州.基于光譜特征的遙感影像陰影遮擋道路提取方法研究［J］.西華師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（4）：424-430.［CHEN G Q，WEI C T，CHEN Y Z.Extraction method of shadow occlusion roads from remote sensing images based on spectral features［J］.Journal of China West Normal University （Natural Sciences），2023，44（4）：424-430.］