摘要：针对遥感影像中地物阴影常常遮挡路面，导致路面信息缺失、提取困难的问题，提出一种基于无监督学习的遥感道路阴影遮挡补全方法。方法包含阴影检测和阴影补偿两部分：首先通过设计多特征通道指数进行阴影特征提取，再进行特征融合以获得初始阴影伪标签；其次借鉴自训练思想进行基于D-LinkNet的阴影标签迭代训练，去除伪标签中的误提取和噪声干扰，实现阴影精细化检测；最后以精确阴影标签为掩膜进行基于光照强度的阴影信息补偿，实现道路阴影遮挡补全。丰富的实验表明，处理后图像阴影基本去除，道路提取形态完整、精度普遍提高。阴影检测部分迁移性较强，方法不依赖人工标注数据集，在无标签数据集上仍有较高可执行性。
文章目录
1 基于深度学习的遥感道路阴影遮挡补全
1.1 总体框架
1.2 阴影伪标签提取
1.2.1 HSI色彩空间阴影特征提取分支
1.2.2 基于过绿指数的去植被分支
1.2.3 HSI色彩空间去除暗色物体分支
1.2.4 基于K-means聚类算法的分类分支
1.2.5 综合评价指标的构建
1.3 基于D-LinkNet网络的阴影精细化提取
1.3.1 网络模型
1.3.2 自训练标签迭代机制
1.4 阴影补偿
2 实验结果与分析
2.1 阴影伪标签生成算法对比实验
2.2 伪标签精细化提取实验
2.3 阴影补偿实验
2.4 道路提取结果对比
3 结论
