基于辐射转移模型的多层回归学习，用于估计高光谱图像中的阴影图（Matlab代码实现）
欢迎来到本博客❤️❤️
博主优势：博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
目录
1 概述
2 运行结果
3 参考文献
4 Matlab代码及详细文章
1 概述
经验线法（ELM）在高光谱大气补偿（AC）中的应用确立了材料反射率和外观之间的潜在线性关系。ELM通过场景内的白色和黑色校准面板在特殊约束下求解辐射传递（RT）方程。材料的反射率与照明无关。利用这一特性，我们阐明了一个基于RT模型的数学公式，以创建与场景中可变照明区域相关的成本函数。在本文中，我们提出了基于多层回归学习的辐射分量恢复，即场景反射率和辐射率图像的总地面反射辐射度和路径辐射度。这些分解的分量表示RT方程中的项，使我们能够关联可变照明。因此，我们假设提供了场景的高光谱图像（HSI）辐射度，并且可以对其进行AC处理，最好使用QUick大气校正（QUAC）算法。QUAC 是首选，因为它不考虑曲面模型。所提出的算法的输出是场景的中间地图，我们数学推导的二进制和多标签阈值应用于对阴影和非阴影区域进行分类。本文显示了卫星和机载 NADIR 图像的结果。地面实况 （GT） 是通过在基于 LIDAR 的表面模型上以场景等值线数据的形式进行光线追踪生成的。将我们的结果与GT进行比较意味着，我们算法的二元分类阴影图在真阳性方面优于其他现有的阴影检测算法，即在地面真实时检测阴影。与现有算法相比，它还具有最低的假阴性，即将非阴影区域检测为阴影。
文献来源：
2 运行结果
部分代码：
function output = deshadowScene(Radiance, Reflectance)
clc;
[h, w, b] = size(Radiance);
outputWS = estLwLbWholeScene(Radiance, Reflectance); % global
[Lw_map, Lb_map] = LwLbSlidingWindow(Radiance, Reflectance); % local
Lw_map = reshape(Lw_map, [h*w, b]);
Lb_map = reshape(Lb_map, [h*w, b]);
%% Shadow Detection
alphaLocal = Lw_map ./ (outputWS.Lw - outputWS.Lb); % equation 11
alphaGlobal = outputWS.Lw ./ (outputWS.Lw - outputWS.Lb);
betaLocal = Lb_map ./ (outputWS.Lw - outputWS.Lb); % equation 12
betaGlobal = outputWS.Lb ./ (outputWS.Lw - outputWS.Lb);
Reflectance = reshape(Reflectance, [h*w, b]);
fk = (Reflectance - betaLocal) ./ alphaLocal; % equation 24a
fg = (Reflectance - betaGlobal) ./ alphaGlobal; % equation 24b
t = fk ./ fg; % equation 25
t1 = zeros(h*w, 1);
for px = 1:h*w
t1(px) = findF(t(px, :));
end
output.intermediateMap = reshape(t1, [h, w]);
gamma = alphaLocal ./ alphaGlobal; % equation 18a
delta = (betaLocal - betaGlobal)./betaGlobal; % equation 18b
Lns = gamma .* reshape(Radiance, [h*w, b]) + delta;
output.correctedRadiance = reshape(Lns, [h, w, b]);
end
3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]Usman A. Zahidi, Ayan Chatterjee, Peter W. T. Yuen. "A Radiative Transfer Model-Based Multi-Layered Regression Learning to Estimate Shadow Map in Hyperspectral Images." Machine Learning and Knowledge Extraction 1.3 (2019): 904-927