光谱比模型和Otsu阈值分割模型在检测地物复杂的高分辨遥感影像中的阴影有很大的局限性，因为高分辨遥感影像中地物异物同谱和同谱异物现象更为常见，某些地物的光谱特性与阴影的特性相似，导致很难正确检测阴影。针对上述的问题，结合色调H、亮度I的性质以及指数函数的特点，基于连续阈值的阴影检测方法(STS)，即通过改进后的光谱比模型，更进一步增强阴影区域与相似地物的差别，使得阴影提取精度提高的方法应运而生。
为解决上述产生的问题，首先对原始的HSI色彩空间进行改进，得到改进后的HSI色彩空间，如式(7-4)至式(7-6)所示:
图7-8 多波段阴影检测算法流程
改进后的光谱比模型中，主要利用色调H分量和亮度I分量，因为阴影区域在这两个分量下的特征明显，易于提取。
将原始图像的RGB转换为HSI空间后，再通过式(7-7)得到灰度图像R(x，y)。
在某些情况下，当H(x，y)和I(x，y)的值归一化到[0，1]参与计算后，拉伸到[0，255]得到的灰度图像，会产生不理想的阴影检测结果。因此将R(x，y)灰度值归一化到[0，255]，用以达到阴影增强的目的。但是生成的R(x，y)图像根据单阈值分割后，道路区域也常被识别为阴影。因此，针对这个缺点提出了改进的光谱比模型，整个模型如式(7-8)及式(7-9)所示:
其中，T和σ的值由式(7-10)及式(7-11)得到。(www.xing528.com)
式中，P(i)是指图像r(x，y)归一化到[0，255]后，灰度值为i的概率。
原始RGB图像先转换到改进后的HSI色彩空间，再结合改进后的光谱比模型，得到阴影增强图像R′(x，y)。在R′(x，y)图像中，道路区域与阴影区域的灰度差值明显增大。式(7-10)中，Ps值是经过不断的实验和人工判别来确定的。假设阴影像素的个数在整幅图像中占的比例大于1－Ps，而在大多数彩色航空图像中，阴影像素的个数远小于非阴影像素的个数，利用一个较大的Ps值计算T和σ。当Ps为0.95时，具有较好的阴影提取结果。
经过上述模型的改进，阴影区域显著增强，但通过Otsu全局分割后，仍然存在一些非阴影的区域被检测为阴影。为了进一步提高阴影检测的精度，同时利用全局阈值和局部阈值的方法来实现。整个检测过程主要分为两部分:一是初步检测，从候选粗阴影像素中分离出不是真阴影像素的候选阴影像素；二是精确检测，利用非阴影像素的位置和性质以及阴影的特性，从候选阴影像素中精确检测出真阴影像素。整个算法的流程如图7-9所示。
图7-9 基于连续阈值的阴影检测方法流程图
具体来说，首先将RGB彩色航空图像转换到改进后的HSI色彩空间，再根据改进后的光谱比模型得到阴影增强的灰度图像。由于图像中存在很多噪声，阴影区域的边缘信息比较模糊，需要在一定程度上滤除噪声。各向异性扩散不仅在同质区内可以滤除噪声，还能使边缘信息增强。再利用形态学中的膨胀方法，结合3×3方形结构元素，增大候选阴影区域，以获取更多阴影信息。最后结合Otsu阈值方法，把原始彩色航空图像分成候选粗阴影像素和非阴影像素两大类(图7-10)。要获得更精确的阴影像素，必须继续检测候选粗阴影像素中的每个像素，得到更准确的真阴影像素。
图7-10 连续阈值的阴影检测结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
