随着科学技术的不断发展,图像等多媒体信息不断增多,但图像在捕获过程中,容易受到多种因素的影响,导致图像质量有所下降。阴影就是一种由成像条件引起的质量下降现象,严重影响后续图像编辑、目标识别等任务的处理效果。因此,为去除其影响,增加图像编辑和处理的视觉真实性和物理真实性,本文针对图像阴影区域开展了以下研究工作:(1)针对当前阴影检测过程中存在易将暗沉区域误检测为阴影区域等问题,提出一种基于近红外信息的图像阴影检测方法。在图像阴影检测与近红外(NIR)信息等相关知识的基础上构建模型,利用NIR信息具有一些重要的属性进行阴影区域与非阴影区域的区分,通过融合可见光图像与近红外图像得到的临时阴影候选图,并通过计算颜色与NIR比率图来增强效果,再将二者进行融合以形成阴影候选区域图,最后利用阈值选择方法计算最优阈值,获得阴影掩膜,达到阴影检测的目的。通过定量与定性两种方式对实验结果进行分析对比,充分验证了算法性能。(2)针对现有的阴影去除方法存在缺乏全自动的模型、纹理恢复性差、易忽略语义信息等问题,提出一种基于端到端的深度网络模型,用于图像阴影去除任务,进一步提高图像阴影去除的效果。该模型由编码-解码器网络和小型细化网络两个网络构建而成,前者用来预测阴影比例因子,后者用来细化。同时,针对当前阴影去除数据集规模较小问题,构建了一个新的图像阴影去除数据集(RSDB)。为了验证模型的性能,使用定量与定性两种评估方式:在定量分析中,峰值信噪比和结构相似性作为评价指标,表现出不错的性能;在定性分析中,模型得到了较高质量的无阴影图像。实验结果表明,该模型在主观视觉和客观量化上都更具鲁棒性。