Page 79 - 2022年第53卷第1期

算法与人工提取冰凌图像误差最大为 1019 m ；流凌末期，冰凌分布密度较低，由于碎冰、薄冰灰度
2
值接近河水，对算法的计算精度要求更高，OTSU 算法和迭代算法流凌分布密度计算结果相差可达
3.6%，迭代算法相较于人工处理的冰凌分布密度，误差高达 4360 m ，而 OTSU 算法相较于迭代算法
2
更适合处理冰凌分布密度低的图像，OTSU 算法与人工提取冰凌图像计算结果相差仅为 0.5%。且对比
OTSU 算法和迭代算法的运行时间，两者相差约 3.5 s，在大批量实时处理原始冰凌图像情况下，OT⁃
SU 算法能够节约计算时间，且不同冰凌分布密度的图像分割精度高。
4.3 面积去噪分析 由于波浪与阳光等因素地存在，部分时间段的图像会存在阳光反射的情况，在
本研究中选取存在阳光反射的流凌图像，如图 7（a）原始局部图像所示，左下角存在高密集，小面积
的反光点，影响冰凌分布密度计算结果。反光点的灰度值（188 ~ 255）远大于图像分割阈值（129），导
致冰凌分布密度偏大 0.15%，通过以 10 个像素的速度增加 X 值，发现当 X 值小于 40 时，白色像素点
数量迅速减小，当 X 值大于 40 时，白色像素点减小速度变缓，因此确定该高度下噪声面积在 40 个像
素点以下，剔除反光噪声效果如图 7（b）（c）所示，对比去噪前后的图像，该方法对于阳光反射此类
噪声去除效果较好，且只针对图像的局部区域，不存在影响冰凌图像的形态特征。该方法实现简
单，去噪效率高，可根据实际情况结合 OTSU 算法，进一步减小误差。

（a） 原始局部图像 （b） 未采用面积去噪 （c） 采用面积去噪
图 7 采用面积去噪处理反光效果
4.4 冰凌分布密度计算结果 无人机在一定高度悬停，定点拍摄视频，并从视频中每隔 3 s 截取图
片，同时在河岸边设置摄像机，每隔 30 s 自动拍摄。首先将河道以外部分裁剪舍去，采用 matlab 仿真
软件编写程序，对 2400 张无人机拍摄图像和 2235 张摄像机拍摄图像进行阈值分割，得到阈值分割图
像，计算结果作为每张图像对应的冰凌分布密度。冰凌分布密度随时间变化情况如图 8 所示，本次冰
凌观测发生在 2021 年 4 月 24 日至 26 日之间，如图 8 所示，4 月 25 日 8 时前由于阳光照射角度的影响，
且清晨可见光线不足，通过摄像机得到的冰凌图像分割效果差，导致冰凌分布密度误差大，计算结
果偏小，与实际情况不符。4 月 25 日 8 时后，光线充足，均能实现冰凌图像分割，但摄像机拍摄图像
存在“近大远小”的问题，且冰凌浮出水面一定高度，遮挡了冰凌间空隙，导致计算结果相较于实际
情况偏大。摄像机拍摄冰凌图像选取的范围尺度较小，冰凌分布密度容易出现急剧波动。随着时间
的推移，通过无人机采集的冰凌分布密度总
体呈现下降趋势，期间监测到的冰凌分布密
度最大为 81.05%，且在 2021 年 4 月 25 日 15 时
45 分前，冰凌分布密度稳定在 60%之上，4 月
25 日 15 时左右，上游发生冰塞，到 4 月 25 日
15 时 45 分 后 观 测 断 面 冰 凌 分 布 密 度 迅 速 下
降，直至 4 月 25 日 16 时 35 分，冰凌分布密度
下降至 33.2%，随后回升至 60%，符合现场实
际情况，在 4 月 26 日 8 时 17 分以后，目标断
面冰凌分布密度稳定在 10%以下，无大面积
冰凌存在，开江结束。 图 8 冰凌分布密度曲线

— 74 —