Page 76 - 2022年第53卷第1期

常用的阈值选取方法，适合于物体目标与背景灰度差明显的情况 ［28］ 。该算法以灰度分布均匀性的度
量单位为方差，方差值越大，说明构成图像的两部分差别越大 ［29］ 。当部分目标（冰凌）错分为背景
（水）或部分背景（水）错分为目标（冰凌）时，就会导致类间方差变小，因此使类间方差最大的分割阈
值意味着计算精度变高 ［30］ 。
将原始冰凌图像 f（x，y）进行灰度化处理，得到图像灰度范围为{0， 1，…， l-1}级。灰度值为 i

l - 1
的像素数设为 n ，推导出灰度图像总像素值为N = ∑ n i ，从而灰度值为 i 像素出现的概率为：p =n /N，
i
i
i
i = 0
l - 1
其中 p ≥0，∑ p i = 1。选择阈值 t，将灰度图像划分为两类，即 D ：{0，1， 2， … ，t}，D ：{t+1，
i
1
2
i = 0
t+2，t+3， … ，l-1}，D 和 D 出现的概率分别为：
1 2
t
p 1 ( ) t = ∑ p i （6）
i = 0
l - 1
（7）
p 2 ( ) t = ∑ p i
i = t + 1
D 和 D 的灰度均值分别为：
1 2
t
p 1 ( ) t （8）
μ 1 ( ) t = ∑ ip i
i = 0
l - 1
p 2 ( ) t （9）
μ 2 ( ) t = ∑ ip i
i = t + 1
图像的总体灰度均值为：
l - 1
μ = ∑ ip i （10）
i = 0
可求出 D 和 D 的类间方差为：
1 2
2
σ ( ) t = p 1 ( ) t | μ 1 ( ) t - μ( ) t | + p 2 ( ) t | μ 2 ( ) t - μ( ) t | 2 （11）
2
类间方差越大，说明 D 和 D 之间差距越大，即冰凌区域与水分割效果越好，所以确定最佳分割
1 2
阈值，就是在求两类区域的类间方差最大值，即：
*
t = arg max σ ( ) t （12）
2
0 < i < l - 1
求出最佳阈值，即可实现图像分割，生成二值图像。
3.4 面积去噪 在野外河道环境中，河流表面波浪反光往往是影响计算结果的重要因素。由于阳光
反射产生的光点灰度值远高于图像分割阈值，导致反光点被错分为冰凌，冰凌分布密度增大，但反
光点面积小且较为密集，只存在于图像的局部区域，不具备如高斯噪声 ［31］ 、椒盐噪声 ［32］ 等常见图像
噪声的特征，无法通过均值滤波法 ［33］ 、自适应维纳滤波法 ［34］ 、中值滤波法 ［35］ 等去除。同时，无人机
能够搭载的热成像传感器分辨率较低，难以满足白天流凌监测需求，因此通过对局部采用面积去噪
法剔除反光噪声 ［36］ ，即：目标面积 S 小于 X 个像素点时，将会被剔除，实现图像分割。通过反复代入
X 值，比较图像的去噪效果，确定 X 取值区间。

4 结果与分析

4.1 顶帽算法对比分析 在野外环境中，由于存在阳光照射角度，光照不均匀等因素会导致原始冰
凌图像背景亮度不均匀，直接采用 OTSU 算法进行图像分割，会导致阈值分割失败，导致计算结果存
在巨大误差，如图 3 所示。将采用顶帽变换算法前后得到的冰凌分布密度对比可以发现，两者之间相
差最大为 19.00%，最小为 0.71%。采用顶帽变换算法后，计算获得的流凌分布密度均变大，但由于
冰凌表面存在杂质，部分碎冰过薄颜色与江面接近，导致计算结果与人工选择冰凌得到的冰凌分布

— 71 —