基于無人機(jī)低空遙感和OTSU算法的黑龍江開江流凌密度研究

汪恩良，胡勝博，韓紅衛(wèi)，劉承前

（1.東北農(nóng)業(yè)大學(xué) 水利與土木工程學(xué)院，黑龍江 哈爾濱 150030；2.黑龍江省寒區(qū)水資源與水利工程重點(diǎn)實(shí)驗(yàn)室，黑龍江 哈爾濱 150030）

1 研究背景

冬季封河和春季開河階段，我國(guó)北緯30°以北的河流普遍存在冰情危害［1］，隨著河流斷面冰凌分布密度的增大，冰凌撞擊水工建筑物的概率增大，且大量流凌在特定河段，如河道束窄處、淺灘、急彎、連續(xù)彎道、尚未解凍冰蓋的前緣等處受阻，形成冰凌阻水體，往往嚴(yán)重阻塞過水?dāng)嗝?，使上游水位顯著壅高，造成凌汛災(zāi)害［2-3］。在冰情嚴(yán)重的年份，春季流凌的撞擊會(huì)對(duì)橋墩等水工建筑物造成不同程度的破壞，每年國(guó)家和沿海各省區(qū)都要投入巨大的人力物力和財(cái)力專門用于凌汛災(zāi)害的預(yù)防和處理，故監(jiān)測(cè)河流斷面的冰凌變化信息，掌握冰凌分布密度數(shù)據(jù)是冰凌災(zāi)害預(yù)防的關(guān)鍵［4-5］。

河流斷面冰凌分布密度是在指定斷面內(nèi)，冰凌分布面積占河流單位面積的百分比，可以反映出河流斷面上不同時(shí)間冰凌流量的大小，是預(yù)測(cè)冰凌災(zāi)害的重要指標(biāo)［6］。目前獲得冰凌分布密度常用的方法有人工望遠(yuǎn)鏡目估法和衛(wèi)星遙感監(jiān)測(cè)法：（1）人工望遠(yuǎn)鏡目估法［7］，通過人為觀測(cè)，估算河流斷面冰凌分布密度。這種方式操作簡(jiǎn)單，但對(duì)觀測(cè)人員要求較高，需要有比較豐富的經(jīng)驗(yàn)，既要保持眼睛的健康，也要保持清醒的頭腦，但無法對(duì)冰凌分布密度進(jìn)行準(zhǔn)確地量化，缺乏客觀性；（2）衛(wèi)星遙感監(jiān)測(cè)技術(shù)［8］，使用衛(wèi)星拍攝的冰凌圖像提取冰凌分布密度，由于衛(wèi)星遙感方式的時(shí)間間隔大，空間分辨率較低等因素的影響，導(dǎo)致冰凌分布密度監(jiān)測(cè)存在較大誤差。國(guó)內(nèi)外學(xué)者對(duì)海冰分布密度展開了大量的研究，提出了使用船載攝像機(jī)作為觀測(cè)工具，對(duì)航行途徑海域的海冰狀況進(jìn)行觀測(cè)，Mu?ramoto 等［9］在1993年將攝像技術(shù)首次應(yīng)用到海冰觀測(cè)的實(shí)踐中；Hall 等［10］使用船載攝像設(shè)備對(duì)海冰進(jìn)行觀測(cè)，基于閾值技術(shù)提取海冰分布密度，并使用SSM/I 的數(shù)據(jù)進(jìn)行驗(yàn)證；Worby 等［11］使用多種衛(wèi)星數(shù)據(jù)結(jié)合船上觀測(cè)研究南極海冰變化等；盧鵬［12］利用傳統(tǒng)圖像形態(tài)學(xué)算法，構(gòu)造出一種新的海冰邊緣檢測(cè)算法，提高拍攝圖像中單個(gè)海冰識(shí)別效率；鄧霄等［13］基于攝像機(jī)和透視變換圖像校正算法設(shè)計(jì)了冰凌密度監(jiān)測(cè)系統(tǒng)，改善了傳回圖像存在“近大遠(yuǎn)小”的問題；攝像機(jī)冰凌監(jiān)測(cè)技術(shù)能夠在一定程度上滿足冰凌分布密度監(jiān)測(cè)的要求，且圖像校正算法能夠改善圖像存在的畸變，但由于圖像校正算法自身的限制，對(duì)攝像機(jī)布置有一定的要求，且無法徹底消除圖像畸變［14］。

隨著無人機(jī)（unmanned aerial vehicles，UAV）和傳感器技術(shù)的不斷提高，小型無人機(jī)在低空遙感測(cè)量領(lǐng)域得到了廣泛的應(yīng)用［15］。對(duì)比人工望遠(yuǎn)鏡目估法和衛(wèi)星遙感監(jiān)測(cè)法，可搭載多傳感器的無人機(jī)平臺(tái)具有效率高、成本低、操作靈活、更適合復(fù)雜河道環(huán)境等特點(diǎn)，不僅克服了人工獲取影像數(shù)據(jù)的困難，還可以從根源上避免了岸邊側(cè)視拍攝導(dǎo)致的圖像畸變，提高原始數(shù)據(jù)精度［16-18］，為監(jiān)測(cè)大范圍冰凌變化信息提供了新的技術(shù)手段。

本文通過無人機(jī)低空遙感技術(shù)對(duì)目標(biāo)河段進(jìn)行俯視拍攝，將視頻逐幀提取圖片，利用matlab 仿真軟件編程，通過頂帽變換算法對(duì)圖片進(jìn)行亮度均衡化處理，基于OTSU算法（最大類間方差法）提取最佳閾值，對(duì)圖像進(jìn)行閾值分割，最終通過面積濾波降噪，計(jì)算河冰分布密度，繪制河冰分布密度圖，實(shí)現(xiàn)對(duì)河冰分布密度連續(xù)監(jiān)測(cè)。

2 研究區(qū)及數(shù)據(jù)預(yù)處理

2.1 研究區(qū)域概況黑龍江位于我國(guó)最北端，是中俄界河，流域處于寒溫帶地區(qū)，東亞大陸季風(fēng)氣候特點(diǎn)突出［19］，且黑龍江上游流經(jīng)山區(qū)，河道狹窄曲折，雨量徑流比較充沛，每年流凌期，冰凌洪水以疊加組合的形式促成倒開江向下游發(fā)展，導(dǎo)致漠河段易發(fā)生凌汛災(zāi)害（圖1）［20］，黑龍江漠河段封凍期從11月份持續(xù)到次年4月，是典型的季節(jié)性封凍河流。

圖1 冰凌觀測(cè)地理位置示意

2.2 遙感影像獲取及預(yù)處理本文試驗(yàn)數(shù)據(jù)于2021年4月25日通過無人機(jī)平臺(tái)獲取，采用大疆DJI四旋翼小型無人機(jī)御mavic 2 pro 進(jìn)行定點(diǎn)拍攝，無人機(jī)體積為214 mm×91 mm×84 mm，可折疊機(jī)身，方便隨身攜帶，搭載哈蘇L1D-20c（CMOS），有效像素為2000 萬(wàn)，可錄制4k HDR 視頻，每次航拍的天氣條件均為晴朗，風(fēng)速低于5 級(jí)，飛行高度設(shè)置為400 m，起飛點(diǎn)與水面高程差為5 m，鏡頭垂直向下，懸停拍攝。

現(xiàn)場(chǎng)通過錄制冰凌運(yùn)動(dòng)視頻，內(nèi)業(yè)處理時(shí)每隔29.97 幀截取圖片影像，并通過圖像處理工具對(duì)影像數(shù)據(jù)進(jìn)行裁剪，去除邊緣異常值。

為實(shí)現(xiàn)對(duì)河道冰凌分布圖像數(shù)據(jù)的量化分析，首先，采用無人機(jī)拍攝不同高度下A1 紙，得到無人機(jī)遙感影像拍攝高度與單位像素點(diǎn)所代表的實(shí)際面積的擬合公式，如圖2所示。

圖2 無人機(jī)高度與單位像素點(diǎn)代表實(shí)際面積擬合曲線

3 研究方法

利用冰凌錄像數(shù)據(jù)可以掌握被監(jiān)測(cè)河道的實(shí)時(shí)冰凌分布密度與流速情況。在此基礎(chǔ)上通過matlab編程對(duì)冰凌分布圖像進(jìn)行量化分析，提供新的流凌分布密度監(jiān)測(cè)方式，為相關(guān)部門制定防凌方案提供理論依據(jù)和決策支持。

3.1 灰度圖像轉(zhuǎn)化通過攝像機(jī)拍攝視頻能夠?qū)崿F(xiàn)河冰分布密度數(shù)據(jù)提取，主要是因?yàn)樵谔?yáng)光照射條件下，河冰與河水對(duì)可見光反射的亮度和波長(zhǎng)不同，使得它們?cè)跀z像機(jī)拍攝出來的影像中所顯示的亮度有明顯區(qū)別，即河冰要比河水更亮［21］。若將河冰分布圖像轉(zhuǎn)化為灰度圖，這種不同也體現(xiàn)在灰度值上的差別。采用加權(quán)平均法將拍攝的彩色圖像轉(zhuǎn)化為灰度圖像，計(jì)算公式如下所示：

式中：I（x，y）為灰度圖像；R（x，y）、G（x，y）和B（x，y）分別為彩色圖像的RGB 分量值。三個(gè)加權(quán)系數(shù)是根據(jù)人的亮度感知系統(tǒng)調(diào)節(jié)得到的標(biāo)準(zhǔn)化參數(shù)。

3.2 圖像亮度均衡化處理采用灰度形態(tài)學(xué)中的組合算法，即頂帽變換算法對(duì)河冰圖像進(jìn)行亮度均衡化處理［22］。灰度形態(tài)學(xué)包括四種基本算法：灰度膨脹算法、灰度腐蝕算法、開運(yùn)算和閉運(yùn)算?；叶扰蛎涍\(yùn)算［23］是對(duì)原灰度圖像進(jìn)行“加長(zhǎng)”或“變粗”；灰度腐蝕算法［24］是在灰度圖像上“收縮”或“細(xì)化”；開運(yùn)算［25］將前兩種算法進(jìn)行結(jié)合，對(duì)灰度圖像進(jìn)行先腐蝕運(yùn)算，再膨脹運(yùn)算，可以除去圖像背景中比結(jié)構(gòu)元素尺寸更小的亮度明亮細(xì)節(jié)；頂帽變換［26］則是在開運(yùn)算對(duì)原始圖像進(jìn)行處理的基礎(chǔ)上，用原始灰度圖像再減去開運(yùn)算結(jié)果的運(yùn)算。這種方法能夠進(jìn)一步增強(qiáng)圖像的對(duì)比度，適用于處理具有暗背景（河水）、亮物體（河冰）特征的圖像，頂帽變換算法推導(dǎo)公式為：

腐蝕運(yùn)算：

膨脹運(yùn)算：

開運(yùn)算：

頂帽變換計(jì)算：

式中：f（x，y）為圖像M（x，y）為結(jié)構(gòu)元素，AM是M（x，y）的定義域，結(jié)構(gòu)元素M（x，y）對(duì)圖像f（x，y）的灰度膨脹記為f+M，灰度腐蝕記為f-M，開運(yùn)算記為f·M，頂帽變換記為fM。

3.3 OTSU算法閾值選取是閾值分割算法的核心［27］。通過確定合理的灰度閾值，可以實(shí)現(xiàn)圖像分割，將河冰與河水區(qū)分開，計(jì)算河冰所占比例，從而得到河冰分布密度。

OTSU算法是借助最小二乘法原理在直方圖技術(shù)上推導(dǎo)出來，具有簡(jiǎn)單、速度快等特點(diǎn)，是一種常用的閾值選取方法，適合于物體目標(biāo)與背景灰度差明顯的情況［28］。該算法以灰度分布均勻性的度量單位為方差，方差值越大，說明構(gòu)成圖像的兩部分差別越大［29］。當(dāng)部分目標(biāo)（冰凌）錯(cuò)分為背景（水）或部分背景（水）錯(cuò)分為目標(biāo)（冰凌）時(shí)，就會(huì)導(dǎo)致類間方差變小，因此使類間方差最大的分割閾值意味著計(jì)算精度變高［30］。

將原始冰凌圖像f（x，y）進(jìn)行灰度化處理，得到圖像灰度范圍為{0， 1，…，l-1}級(jí)?；叶戎禐閕的像素?cái)?shù)設(shè)為ni，推導(dǎo)出灰度圖像總像素值為從而灰度值為i像素出現(xiàn)的概率為：pi=ni/N，其中選擇閾值t，將灰度圖像劃分為兩類，即D1：{0，1， 2，…，t}，D2：{t+1，t+2，t+3，…，l-1}，D1和D2出現(xiàn)的概率分別為：

D1和D2的灰度均值分別為：

圖像的總體灰度均值為：

可求出D1和D2的類間方差為：

類間方差越大，說明D1和D2之間差距越大，即冰凌區(qū)域與水分割效果越好，所以確定最佳分割閾值，就是在求兩類區(qū)域的類間方差最大值，即：

求出最佳閾值，即可實(shí)現(xiàn)圖像分割，生成二值圖像。

3.4 面積去噪在野外河道環(huán)境中，河流表面波浪反光往往是影響計(jì)算結(jié)果的重要因素。由于陽(yáng)光反射產(chǎn)生的光點(diǎn)灰度值遠(yuǎn)高于圖像分割閾值，導(dǎo)致反光點(diǎn)被錯(cuò)分為冰凌，冰凌分布密度增大，但反光點(diǎn)面積小且較為密集，只存在于圖像的局部區(qū)域，不具備如高斯噪聲［31］、椒鹽噪聲［32］等常見圖像噪聲的特征，無法通過均值濾波法［33］、自適應(yīng)維納濾波法［34］、中值濾波法［35］等去除。同時(shí)，無人機(jī)能夠搭載的熱成像傳感器分辨率較低，難以滿足白天流凌監(jiān)測(cè)需求，因此通過對(duì)局部采用面積去噪法剔除反光噪聲［36］，即：目標(biāo)面積S小于X個(gè)像素點(diǎn)時(shí)，將會(huì)被剔除，實(shí)現(xiàn)圖像分割。通過反復(fù)代入X值，比較圖像的去噪效果，確定X取值區(qū)間。

4 結(jié)果與分析

4.1 頂帽算法對(duì)比分析在野外環(huán)境中，由于存在陽(yáng)光照射角度，光照不均勻等因素會(huì)導(dǎo)致原始冰凌圖像背景亮度不均勻，直接采用OTSU算法進(jìn)行圖像分割，會(huì)導(dǎo)致閾值分割失敗，導(dǎo)致計(jì)算結(jié)果存在巨大誤差，如圖3所示。將采用頂帽變換算法前后得到的冰凌分布密度對(duì)比可以發(fā)現(xiàn)，兩者之間相差最大為19.00%，最小為0.71%。采用頂帽變換算法后，計(jì)算獲得的流凌分布密度均變大，但由于冰凌表面存在雜質(zhì)，部分碎冰過薄顏色與江面接近，導(dǎo)致計(jì)算結(jié)果與人工選擇冰凌得到的冰凌分布密度結(jié)果相比仍偏小。標(biāo)準(zhǔn)的光源和監(jiān)測(cè)環(huán)境在野外環(huán)境下不可能達(dá)成，難以與高效數(shù)字化監(jiān)測(cè)流程相結(jié)合，而采用頂帽變換算法可以補(bǔ)償不均勻的背景亮度，使圖像背景亮度均衡化，分割結(jié)果與原始冰凌圖像（圖4（a））情況一致。

圖3 三種方法冰凌分布密度對(duì)比

從原始灰度圖像三維圖（圖4（b））中可以得到圖中邊界區(qū)域參差不齊，并且從經(jīng)過開運(yùn)算得到的背景灰度三維圖（圖4（c））中可以得到河道中心區(qū)域灰度值高于河道兩側(cè)，河道左上角區(qū)域相對(duì)于周邊區(qū)域灰度值略大，這是由于光照不均勻?qū)е卤尘盎叶炔痪鶆?。由于原始冰凌圖像背景中河道中間區(qū)域和河道左上角區(qū)域灰度值較高，在通過OTSU算法選定閾值后，由于閾值選取過高，導(dǎo)致河道兩側(cè)冰凌和灰度值較小的薄冰、碎冰被錯(cuò)誤的分割為河水，即河水面積擴(kuò)大，冰凌分布密度偏小，與實(shí)際情況不符。對(duì)原始冰凌圖像采用頂帽算法后，補(bǔ)償灰度值不均勻的背景，從經(jīng)過頂帽變換處理后的灰度三維圖（圖4（d））中可以看出，圖像亮度均衡化，冰凌與河水成功分割。通過人為選取確定冰凌分布密度為46.23%，對(duì)比頂帽變換處理前后，冰凌分布密度誤差由9.00%減小至0.97%，因此頂帽算法與OTSU算法相結(jié)合，能夠解決圖像亮度不均衡導(dǎo)致計(jì)算結(jié)果誤差過大的問題。

圖4 冰凌圖像處理過程

4.2 OTSU 和迭代算法對(duì)比分析閾值分割主要由四種方法：人工選擇法、直方圖技術(shù)法、OTSU算法和迭代法。人工選擇法［37］是通過肉眼識(shí)別判斷閾值，并反復(fù)代入閾值，比較圖像分割效果，縮小閾值選取區(qū)間，直至最終確定閾值，操作簡(jiǎn)單但效率低，且缺乏客觀性，受到野外環(huán)境的影響，圖像總體亮度也會(huì)隨時(shí)間改變而改變，不適合批量處理所有冰凌圖像；直方圖技術(shù)法［38］適用于處理目標(biāo)與背景灰度對(duì)比大的圖像，即具有典型雙峰直方圖特征，通過人為選擇兩處波峰之間波谷的灰度值為分割閾值，如圖5所示原始圖像灰度值不存在兩個(gè)明顯的波峰，所以本研究不采用直方圖技術(shù)法。迭代法［39］是通過選擇初始閾值，基于閾值迭代逼近思想，直至得到滿足給定的準(zhǔn)則的最佳閾值；OTSU算法［40］按照?qǐng)D像的灰度特性將圖像分為背景和目標(biāo)兩部分，以目標(biāo)和背景的類間方差最大為閾值選擇原則，自動(dòng)確定最佳閾值。

圖5 原始冰凌灰度直方圖

本研究從2400 張?jiān)急鑸D像中選取流凌初期、流凌中期和流凌末期3 個(gè)階段的冰凌圖像，根據(jù)冰凌的顏色、形態(tài)，人為將冰凌從圖片中分割出來，轉(zhuǎn)化為二值圖像，將得到的冰凌分布密度作為該情況下的標(biāo)準(zhǔn)，再分別采用迭代法和OTSU算法進(jìn)行閾值分割處理，冰凌分布密度處理效果如圖6所示。

圖6 冰凌分布密度計(jì)算效果對(duì)比

結(jié)果表明，對(duì)比OTSU算法和迭代算法的冰凌分布密度計(jì)算結(jié)果，流凌初期，OTSU算法和迭代算法與人工提取冰凌圖像計(jì)算結(jié)果相差分別為1.39%和0.03%，圖像分割效果較好；流凌中期，OTSU算法與人工提取冰凌圖像誤差最大為1019 m2；流凌末期，冰凌分布密度較低，由于碎冰、薄冰灰度值接近河水，對(duì)算法的計(jì)算精度要求更高，OTSU算法和迭代算法流凌分布密度計(jì)算結(jié)果相差可達(dá)3.6%，迭代算法相較于人工處理的冰凌分布密度，誤差高達(dá)4360 m2，而OTSU算法相較于迭代算法更適合處理冰凌分布密度低的圖像，OTSU算法與人工提取冰凌圖像計(jì)算結(jié)果相差僅為0.5%。且對(duì)比OTSU算法和迭代算法的運(yùn)行時(shí)間，兩者相差約3.5 s，在大批量實(shí)時(shí)處理原始冰凌圖像情況下，OT?SU 算法能夠節(jié)約計(jì)算時(shí)間，且不同冰凌分布密度的圖像分割精度高。

4.3 面積去噪分析由于波浪與陽(yáng)光等因素地存在，部分時(shí)間段的圖像會(huì)存在陽(yáng)光反射的情況，在本研究中選取存在陽(yáng)光反射的流凌圖像，如圖7（a）原始局部圖像所示，左下角存在高密集，小面積的反光點(diǎn)，影響冰凌分布密度計(jì)算結(jié)果。反光點(diǎn)的灰度值（188 ～ 255）遠(yuǎn)大于圖像分割閾值（129），導(dǎo)致冰凌分布密度偏大0.15%，通過以10 個(gè)像素的速度增加X值，發(fā)現(xiàn)當(dāng)X值小于40 時(shí)，白色像素點(diǎn)數(shù)量迅速減小，當(dāng)X值大于40 時(shí)，白色像素點(diǎn)減小速度變緩，因此確定該高度下噪聲面積在40 個(gè)像素點(diǎn)以下，剔除反光噪聲效果如圖7（b）（c）所示，對(duì)比去噪前后的圖像，該方法對(duì)于陽(yáng)光反射此類噪聲去除效果較好，且只針對(duì)圖像的局部區(qū)域，不存在影響冰凌圖像的形態(tài)特征。該方法實(shí)現(xiàn)簡(jiǎn)單，去噪效率高，可根據(jù)實(shí)際情況結(jié)合OTSU算法，進(jìn)一步減小誤差。

圖7 采用面積去噪處理反光效果

4.4 冰凌分布密度計(jì)算結(jié)果無人機(jī)在一定高度懸停，定點(diǎn)拍攝視頻，并從視頻中每隔3 s 截取圖片，同時(shí)在河岸邊設(shè)置攝像機(jī)，每隔30 s 自動(dòng)拍攝。首先將河道以外部分裁剪舍去，采用matlab 仿真軟件編寫程序，對(duì)2400 張無人機(jī)拍攝圖像和2235 張攝像機(jī)拍攝圖像進(jìn)行閾值分割，得到閾值分割圖像，計(jì)算結(jié)果作為每張圖像對(duì)應(yīng)的冰凌分布密度。冰凌分布密度隨時(shí)間變化情況如圖8所示，本次冰凌觀測(cè)發(fā)生在2021年4月24日至26日之間，如圖8所示，4月25日8 時(shí)前由于陽(yáng)光照射角度的影響，且清晨可見光線不足，通過攝像機(jī)得到的冰凌圖像分割效果差，導(dǎo)致冰凌分布密度誤差大，計(jì)算結(jié)果偏小，與實(shí)際情況不符。4月25日8 時(shí)后，光線充足，均能實(shí)現(xiàn)冰凌圖像分割，但攝像機(jī)拍攝圖像存在“近大遠(yuǎn)小”的問題，且冰凌浮出水面一定高度，遮擋了冰凌間空隙，導(dǎo)致計(jì)算結(jié)果相較于實(shí)際情況偏大。攝像機(jī)拍攝冰凌圖像選取的范圍尺度較小，冰凌分布密度容易出現(xiàn)急劇波動(dòng)。隨著時(shí)間的推移，通過無人機(jī)采集的冰凌分布密度總體呈現(xiàn)下降趨勢(shì)，期間監(jiān)測(cè)到的冰凌分布密度最大為81.05%，且在2021年4月25日15 時(shí)45 分前，冰凌分布密度穩(wěn)定在60%之上，4月25日15 時(shí)左右，上游發(fā)生冰塞，到4月25日15 時(shí)45 分后觀測(cè)斷面冰凌分布密度迅速下降，直至4月25日16 時(shí)35 分，冰凌分布密度下降至33.2%，隨后回升至60%，符合現(xiàn)場(chǎng)實(shí)際情況，在4月26日8 時(shí)17 分以后，目標(biāo)斷面冰凌分布密度穩(wěn)定在10%以下，無大面積冰凌存在，開江結(jié)束。

圖8 冰凌分布密度曲線

5 結(jié)論

為了實(shí)時(shí)監(jiān)測(cè)河流斷面的冰凌變化信息，預(yù)防冰凌災(zāi)害，本文探討了使用無人機(jī)低空遙感結(jié)合圖像處理技術(shù)提取冰凌分布密度，利用matlab 仿真軟件編程，最終獲得了河冰分布密度隨時(shí)間變化的動(dòng)態(tài)曲線圖，得到了以下結(jié)論：

（1）閾值分割法計(jì)算量小，性能穩(wěn)定，在圖像分割算法中應(yīng)用最為廣泛。閾值選取是閾值算法的核心，通過合理確定灰度閾值，從而實(shí)現(xiàn)圖像分割，而最大類間方差法（OTSU）因其直觀性和實(shí)現(xiàn)的簡(jiǎn)單性，類間方差越大，說明背景和目標(biāo)兩部分差異越大，適合大批量提取冰凌密度圖像數(shù)據(jù)。

（2）冰凌分布密度計(jì)算結(jié)果受到光照不均勻的影響。頂帽變換算法通過對(duì)流凌觀測(cè)圖像進(jìn)行亮度均衡化處理，與OTSU算法相結(jié)合，最終將與標(biāo)準(zhǔn)的誤差縮小至1.5%以內(nèi)，從而解決背景亮度不均勻條件下閾值的選擇。

（3）面積圖像分割法能夠解決由于冰凌監(jiān)測(cè)影像中波浪反光的影響，提高圖像識(shí)別的準(zhǔn)確性，而且該方法實(shí)現(xiàn)簡(jiǎn)單，去噪效率高。

（4）通過無人機(jī)低空遙感結(jié)合圖像處理技術(shù)，本次觀測(cè)流凌發(fā)生在2021年4月24日至26日，期間監(jiān)測(cè)到的冰凌分布密度最大為81.05%，且在4月25日15 時(shí)45 分前，冰凌分布密度穩(wěn)定在60%之上，在4月25日15 時(shí)左右，上游發(fā)生冰塞，從監(jiān)測(cè)結(jié)果可以發(fā)現(xiàn)冰凌分布密度迅速下降，符合現(xiàn)場(chǎng)實(shí)際情況，在4月25日16 時(shí)35 分左右，上游冰塞解除，冰凌分布密度回升至60%，在4月26日8 時(shí)17 分以后，觀測(cè)斷面流凌分布密度穩(wěn)定在10%以下，開江結(jié)束。