Page 77 - 2022年第53卷第1期

密度结果相比仍偏小。标准的光源和监测环境在
野外环境下不可能达成，难以与高效数字化监测
流程相结合，而采用顶帽变换算法可以补偿不均
匀的背景亮度，使图像背景亮度均衡化，分割结
果与原始冰凌图像（图 4（a））情况一致。
从原始灰度图像三维图（图 4（b））中可以得到
图中边界区域参差不齐，并且从经过开运算得到
的背景灰度三维图（图 4（c））中可以得到河道中心
区域灰度值高于河道两侧，河道左上角区域相对
于周边区域灰度值略大，这是由于光照不均匀导
致背景灰度不均匀。由于原始冰凌图像背景中河 图 3 三种方法冰凌分布密度对比
道中间区域和河道左上角区域灰度值较高，在通
过 OTSU 算法选定阈值后，由于阈值选取过高，导致河道两侧冰凌和灰度值较小的薄冰、碎冰被错误
的分割为河水，即河水面积扩大，冰凌分布密度偏小，与实际情况不符。对原始冰凌图像采用顶帽
算法后，补偿灰度值不均匀的背景，从经过顶帽变换处理后的灰度三维图（图 4（d））中可以看出，图
像亮度均衡化，冰凌与河水成功分割。通过人为选取确定冰凌分布密度为 46.23%，对比顶帽变换处
理前后，冰凌分布密度误差由 9.00%减小至 0.97%，因此顶帽算法与 OTSU 算法相结合，能够解决图
像亮度不均衡导致计算结果误差过大的问题。

（a） 原始冰凌图像 （b） 原始灰度图像三维图

（c） 经过开运算处理后的背景灰度三维图 （d） 经过顶帽变换处理后的灰度三维图
图 4 冰凌图像处理过程

4.2 OTSU 和迭代算法对比分析 阈值分割主要由四种方法：人工选择法、直方图技术法、OTSU 算
法和迭代法。人工选择法 ［37］ 是通过肉眼识别判断阈值，并反复代入阈值，比较图像分割效果，缩小
阈值选取区间，直至最终确定阈值，操作简单但效率低，且缺乏客观性，受到野外环境的影响，图
像总体亮度也会随时间改变而改变，不适合批量处理所有冰凌图像；直方图技术法 ［38］ 适用于处理目
标与背景灰度对比大的图像，即具有典型双峰直方图特征，通过人为选择两处波峰之间波谷的灰度

— 72 —