Page 95 - 2025年第56卷第10期

基于最小二乘法原理与直方图技术的 OTSU 算法是一种简单、快速的算法，被广泛应用于数字图
像处理领域 ［28］ 。按照其原理又可称其为最大类间方差法，当识别目标与背景具有明显的灰度差时本算
法能很好地将两者进行区分。该算法以灰度分布均匀性的度量单位为方差，当构成图像的两部分具有
明显的差别时一般具有较大的方差值 ［29］ 。若想提高计算的精度应使用类间方差最大的分割阈值，因为
能导致类间方差变小基本上是因为部分目标（流凌）与背景（水）的区分度不高所导致的，所以类间方差
越大说明精度越高 ［30］ 。
将原始流凌图像 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
n i
l - 1
n i ，灰度值为 i 像素出现的概率为 p i = ，其中
N
为 i 的像素数设为 n i ，则灰度图像总像素值为 N = ∑ i = 0
p i = 1。选择阈值 t，将灰度图像划分为两类，即 D 1 ：｛0，1， 2，…，t｝，D 2 ：｛t + 1，t + 2，
l - 1
p i ≥ 0，∑ i = 0
t + 3，…，l - 1｝，D 1 和 D 2 出现的概率分别为：
t
（13）
p 1( t) = ∑ p i
i = 0
l - 1
（14）
p 2( t) = ∑ p i
i = t + 1
D 和 D 的灰度均值分别为：
1 2
t
μ 1( t) = ∑ ip i /p 1( ) t （15）
i = 0
l - 1
μ 2( t) = ∑ ip i /p 2( ) t （16）
i = t + 1
图像的总体灰度均值为：
l - 1
（17）
μ = ∑ ip i
i = 0
可求出 D 和 D 的类间方差为：
2
1
σ ( t) = p 1( t)| μ 1( t) - μ( t) | + p 2( t)| μ 2( t) - μ( t) | 2 （18）
2
2
类间方差越大，说明 D 和 D 之间差距越大，即流凌区域与水分割效果越好，所以确定最佳分割阈
2
1
值，就是求取两类区域的类间方差最大值，即：
t = argmax σ ( t) （19）
*
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。
3.6 算法实现流程 按照图 5 流程进行流凌分布密
度的计算。首先通过 MATLAB 读取流凌原始图像数
据，之后对同一时刻、位置的无人机垂直拍摄图像
与岸基摄像机倾斜拍摄图像进行特征点选取，并提
取参数。之后将所提参数应用于当天的倾斜摄像图
像，并对处理过的图像进行裁剪。然后对裁剪后的
图像进行灰度化处理，并通过 OTSU 算法批量处理
图片，取得合适的分割阈值。最后通过所取得的阈
值对流凌图像进行二值化，计算白色像素面积所占
整张图片的比值得到流凌密度。
图 5 算法实现流程

4 结果与讨论

4.1 顶帽算法对比分析 在处理清晨时段的图像时，若忽视水面亮度分布不均的问题，直接采用
OTSU 算法对彩色流凌图像（图 6）进行阈值分割，有时会导致 OTSU 算法在选择阈值时错误地将部分河

— 1342 —