阴影检测,用来判断图像中的阴影区域,并将其准确地检测出来。阴影检测作为预处理任务已经广泛应用到视频跟踪、行人识别、目标检测、语义分割等计算机视觉领域中。在阴影通用场景以及部分复杂场景下,基于深度学习的阴影检测算法已经取得了很好的效果。然而,这些算法通常是针对彩色图像设计的。但在一些特定的任务场景,需要对单色图像(如遥感图像、红外图像等)进行阴影检测。相对于彩色图像,缺失颜色信息的单色图像会存在阴影与非阴影区域对比度差异小、黑色物体与其阴影区域更难辨别等问题。本文重点研究了单色图像阴影检测,首先介绍了阴影检测领域的研究现状,其中,重点介绍了三种阴影检测算法,并在此基础上,以基于远程依赖性上下文信息的提取为核心,设计了一种新的单色图像阴影检测模型。具体工作如下:(1)提出了一种基于两阶段上下文感知的单色图像阴影检测模型,以实现对单色图像阴影的精准检测。该模型分别以非局部和局部提取两个阶段来提取远程依赖性上下文特征和多尺度空间上下文特征。不同于仅使用局部提取的普通上下文,提取的远程依赖性上下文特征以非局部的形式使得图像中的任何特征点之间建立相互关联性,并密切结合局部上下文提取,这种特征提取结合方式对复杂场景下阴影和非阴影区域准确判别起到了关键作用。该模型主要由一个端到端的编码-解码网络结构组成。(2)在编码分支网络中,提出了基于两阶段的上下文提取框架。首先,在非局部提取阶段,对预训练网络引入提取远程依赖性特征的模块,将其改进为新型的主干网络,用来提取远程依赖性上下文特征。在局部提取阶段,提出了一个残差密集洞率卷积模块。该模块被置于不同分辨率的层级中,以多尺度的形式充分精细化地提取及强化局部空间上下文特征并密集性地融合这些特征。经过两阶段的特征提取,可以准确地检测复杂单色图像的阴影。(3)在解码分支网络过程中,提出由高层级对低层级的语义引导注意力模块。该模块中的注意力机制可以抑制噪声特征并筛选有用的层级互补信息,通过高层级特征对低层级特征逐级合并与引导的形式改善阴影内部区域的一致完整性。(4)此外,为了更好地验证所设计的单色阴影检测算法的有效性,本文还新构建了一个更具有挑战性的航拍类图像数据集ASD(Aerial Shadow Dataset)。ASD数据集源于网络,经过对数据集的搜集筛选、真值图的标注以及数据清洗而得到。主要由1459张训练图像和209张测试图像构成,涵盖了飞机场、桥梁、建筑、工厂等场景。最后,本文算法在Ubuntu16.04环境下的Pytorch深度学习框架中实现,并与现有5种阴影检测算法及2种显著性检测模型再训练的结果进行实验分析与比较。在三种灰度化后的公开阴影数据集和新建的ASD数据集上的实验结果表明,本文所构建的阴影检测模型,相对于其他已有的阴影检测算法,可以准确完整地检测出单色图像中的阴影区域,尤其,针对低对比度图像和包含黑色物体的阴影图像效果更加明显。同时,还将本文设计的上下文特征提取模块应用至多聚焦图像融合任务中,实验结果进一步表明所设计的模块具有很好的通用性。