主要内容

1、最大类间方差法原理概述

2、GEE频率分布统计，直方图绘制

3、算法具体实现，以GEE JavaScript版本为例

4、目标像元提取，以遥感影像提取水体为示例

算法原理

概念

最大类间方差法（又名otsu、大津法）是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。算法假定该图像根据频率分布直方图把包含两类像元（前景像元和背景像元），计算能将两类分开的最佳阈值，使得它们的类内方差最小；由于两两平方距离恒定，所以即它们的类间方差最大。

优点：计算简单快速，不受图像亮度和对比度的影响。

缺点：对图像噪声敏感；如果图像中的前景像元和背景像元的面积相差很大，直方图没有明显的双峰，或者两个峰的大小相差很大，分割效果不佳。实际应用中，常结合其他方法。

原理

大津法借助穷举法搜索能使类内方差最小的阈值，计算两个类的方差的加权和，权值为两类各自的概率，前人证明了最小化类内方差和最大化类间方差是相同的。

图像的总平均灰度为：M=P1(t) * M0 + P2(t) * M1

前景与背景像元类间方差：S=P1(t) * (M1 - M) * (M1 - M) + P2(t) * (M2 - M) * (M2 - M)

t为前景与背景的分割阈值，前景像元占图像比例为P1(t)，平均灰度为M1；背景像元占图像比例为P2(t)，平均灰度为M1。

算法实现

数据准备

1、原始影像：定义示例矢量区域geometry（山东省潍坊市峡山水库周边，便于提取水体），时间范围，云量低于20%，筛选出符合条件的Landsat8影像集dataset，中值合成得到示例影像l8_image

var geometry = ee.Geometry.Polygon([[[119.3140376290338, 36.559328749628065],[119.3140376290338, 36.263933411986294],[119.62234146204162, 36.263933411986294],[119.62234146204162, 36.559328749628065]]], null, false);var dataset = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterDate('2021-10-01', '2021-12-01').filterBounds(geometry).filter(ee.Filter.lt('CLOUD_COVER', 20));function applyScaleFactors(image) {var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true);
}//获取图像 中值合成
var l8_image = dataset.map(applyScaleFactors).median().clip(geometry);//可视化
var visualization = {bands: ['SR_B4', 'SR_B3', 'SR_B2'],min: 0.0,max: 0.3,
};
Map.centerObject(geometry);
Map.addLayer(l8_image, visualization, 'True Color (432)');

原始影像真彩色显示：

2、提取NDWI：后续用于计算阈值，识别水体和非水体

NDWI(Normalized Difference Water Index,归一化水指数)，用遥感影像的特定波段进行归一化差值处理，以凸显影像中的水体信息。其表达式为：

NDWI =(p(Green)-p(NIR))/(p(Green)+p(NIR))

是基于绿波段与近红外波段的归一化比值指数，一般用来提取影像中的水体信息，效果较好。

var ndwi = l8_image.normalizedDifference(['SR_B3', 'SR_B5']).float().rename('l8_NDWI');
print("ndwi", ndwi)
var visParams1 = {min: 0, max: 1, palette: ['FFFFFF', 'CE7E45', 'DF923D', 'F1B555', 'FCD163', '99B718','74A901', '66A000', '529400', '3E8601', '207401', '056201','004C00', '023B01', '012E01', '011D01', '011301']
};
Map.addLayer(ndwi, visParams1, "l8_NDWI");

NDWI灰度显示：

数据查看

NDWI频数分布直方图计算并显示，可见有明显双峰，且两类没有重叠，非常便于运用大津法计算分割阈值，其中参数: 最大组数maxBuckets 最小组距minBucketWidth设置较为关键，具体其他参数参阅官方文档

GEE右上角“Download”可以将csv数据下载到本地进行分析

//频数分布直方图
var chart = ui.Chart.image.histogram({image: ndwi,region: geometry,scale: 30,maxBuckets: 1000,//最大组数minBucketWidth: 0.01, //最小组距// maxRaw, maxPixels: 1e13
})
print(chart)

计算阈值

首先计算频数分布数据，同前文注意参数设置，之后利用穷举法计算类内方差，得到类间方差结果表，按照方差排序，得到方差最大对应的值即为最佳阈值，

阈值=0.06508403641771252，可见符合频数分布直方图示意

详细过程见代码注释

//计算OTSU阈值
var yuzhi = otsu(ndwi)
print("阈值", yuzhi)//OTSU
function otsu1(histogram) {// 各组频数var counts = ee.Array(ee.Dictionary(histogram).get('histogram'))// 各组的值var means = ee.Array(ee.Dictionary(histogram).get('bucketMeans'))// 组数var size = means.length().get([0])// 总像元数量var total = counts.reduce(ee.Reducer.sum(), [0]).get([0])// 所有组的值之和var sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0])// 整幅影像的均值var mean = sum.divide(total)// 与组数相同长度的索引var indices = ee.List.sequence(1, size)// 穷举法计算类内方差var bss = indices.map(function (i) {// 当 i = 1, aCounts = [counts[0]], 当 i = 2, aCounts = [counts[0], counts[1]] //从i分割为两类A、B 计算A方差var aCounts = counts.slice(0, 0, i)var aCount = aCounts.reduce(ee.Reducer.sum(), [0]).get([0])var aMeans = means.slice(0, 0, i)// 类别A均值var aMean = aMeans.multiply(aCounts).reduce(ee.Reducer.sum(), [0]).get([0]).divide(aCount)var bCount = total.subtract(aCount)// 类别B均值var bMean = sum.subtract(aCount.multiply(aMean)).divide(bCount)//类间方差公式return aCount.multiply(aMean.subtract(mean).pow(2)).add(bCount.multiply(bMean.subtract(mean).pow(2)))})print('类间方差', ui.Chart.array.values(ee.Array(bss), 0, means))// 排序选出最适阈值return means.sort(bss).get([-1])
}
function otsu(image) {var histogram = image.reduceRegion({reducer: ee.Reducer.histogram(1000, 0.01),// 自行修改合适的最大组数，最小组距geometry: geometry,scale: 30,bestEffort: true,// tileScale:16});print("频数分布", histogram)return otsu1(histogram.get(histogram.keys().get(0)));
}

分割图像

借助前文得到的的阈值进行影像二值化分割，得到水体示意图

var result = ndwi.gt(yuzhi)
Map.addLayer(result.randomVisualizer(), "", "water");

结果图：

代码附录

链接：https://code.earthengine.google.com/4456dc4c799a8673d0f1aec1431250f4

var geometry = /* color: #d63000 *//* shown: false *//* displayProperties: [{"type": "rectangle"}] */ee.Geometry.Polygon([[[119.3140376290338, 36.559328749628065],[119.3140376290338, 36.263933411986294],[119.62234146204162, 36.263933411986294],[119.62234146204162, 36.559328749628065]]], null, false);var dataset = ee.ImageCollection('LANDSAT/LC08/C02/T1_L2').filterDate('2021-10-01', '2021-12-01').filterBounds(geometry).filter(ee.Filter.lt('CLOUD_COVER', 20));function applyScaleFactors(image) {var opticalBands = image.select('SR_B.').multiply(0.0000275).add(-0.2);var thermalBands = image.select('ST_B.*').multiply(0.00341802).add(149.0);return image.addBands(opticalBands, null, true).addBands(thermalBands, null, true);
}//获取图像 中值合成
var l8_image = dataset.map(applyScaleFactors).median().clip(geometry);//可视化
var visualization = {bands: ['SR_B4', 'SR_B3', 'SR_B2'],min: 0.0,max: 0.3,
};
Map.centerObject(geometry);
Map.addLayer(l8_image, visualization, 'True Color (432)');var ndwi = l8_image.normalizedDifference(['SR_B3', 'SR_B5']).float().rename('l8_NDWI');
print("ndwi", ndwi)
var visParams1 = {min: 0, max: 1
};
Map.addLayer(ndwi, visParams1, "l8_NDWI");//频数分布直方图
var chart = ui.Chart.image.histogram({image: ndwi,region: geometry,scale: 30,maxBuckets: 1000,//最大组数minBucketWidth: 0.01, //最小组距// maxRaw, maxPixels: 1e13
})
print(chart)//计算OTSU阈值 分割图像
var yuzhi = otsu(ndwi)
print("阈值", yuzhi)
var result = ndwi.gt(yuzhi)
Map.addLayer(result.randomVisualizer(), "", "water");
//
OTSU/function otsu1(histogram) {// 各组频数var counts = ee.Array(ee.Dictionary(histogram).get('histogram'))// 各组的值var means = ee.Array(ee.Dictionary(histogram).get('bucketMeans'))// 组数var size = means.length().get([0])// 总像元数量var total = counts.reduce(ee.Reducer.sum(), [0]).get([0])// 所有组的值之和var sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0])// 整幅影像的均值var mean = sum.divide(total)// 与组数相同长度的索引var indices = ee.List.sequence(1, size)// 穷举法计算类内方差var bss = indices.map(function (i) {// 当 i = 1, aCounts = [counts[0]], 当 i = 2, aCounts = [counts[0], counts[1]] //从i分割为两类A、B 计算A方差var aCounts = counts.slice(0, 0, i)var aCount = aCounts.reduce(ee.Reducer.sum(), [0]).get([0])var aMeans = means.slice(0, 0, i)// 类别A均值var aMean = aMeans.multiply(aCounts).reduce(ee.Reducer.sum(), [0]).get([0]).divide(aCount)var bCount = total.subtract(aCount)// 类别B均值var bMean = sum.subtract(aCount.multiply(aMean)).divide(bCount)//类间方差公式return aCount.multiply(aMean.subtract(mean).pow(2)).add(bCount.multiply(bMean.subtract(mean).pow(2)))})print('类间方差', ui.Chart.array.values(ee.Array(bss), 0, means))// 排序选出最适阈值return means.sort(bss).get([-1])
}
function otsu(image) {var histogram = image.reduceRegion({reducer: ee.Reducer.histogram(1000, 0.01),// .combine('mean', null, true)// .combine('variance', null, true),geometry: geometry,scale: 30,bestEffort: true,// tileScale:16});print("频数分布", histogram)return otsu1(histogram.get(histogram.keys().get(0)));
}

【GEE笔记】最大类间方差法（otsu、大津法）算法实现——计算阈值、图像二值化分割相关推荐

otsu阈值分割算法原理_OTSU_图像二值化分割阈值的算法
简介: 大津法(OTSU)是一种确定图像二值化分割阈值的算法,由日本学者大津于1979年提出.从大津法的原理上来讲,该方法又称作最大类间方差法,因为按照大津法求得的阈值进行图像二值化分割后,前景与背景 ...
图像二值化分割阈值的算法——OTSU
该算法叫做大津算法,由日本学者大津于1979年提出. 该算法的核心在于前景与背景图像的类间方差最大 MATLAB代码 clear all clcI = imread('1.jpg'); I = rg ...
图像二值化（Image Binarization）：平均值法、双峰法、大津算法（OTSU）
图像二值化(Image Binarization):平均值法.双峰法.大津算法(OTSU) 编程实现图像的二值化,分析不同的阈值对二值化图像的影响. 问题描述传统的机器视觉通常包括两个步骤:预处理和 ...
【智能车】图像二值化算法--大津法OTSU
图像二值化算法–大津法OTSU 大津算法是一种图像二值化算法,作用是确定将图像分成黑白两个部分的阈值. 大津法是针对灰度值进行阈值分割二值化,如果是彩色图像的话需要先转化成灰度图再进行计算. 方差越大 ...
图像二值化_三角阈值法
前言一.三角阈值法是什么? 二.算法原理 1.算法总结参考文献前言图像二值化有很多方法,比较经典的为OTSU,三角阈值法,本文主要想一探三角阈值法的算法原理. 一.三角阈值法是什么? 三角阈 ...
二值图像分析笔记（1）—— 图像二值化
1 二值图像像素矩阵只包含0和1: 0:黑色 1:白色 1.1 RGB彩色图像到二值图像的转换彩色图像到灰度图像的转换灰度图像到二值图像 1.2 常见的图像二值化方法基于均值-统计学原理迭代 ...
图像二值化之最大类间方差法(大津法，OTSU)
参考文章1:图像二值化与otsu算法介绍参考文章2:python opencv cv2.threshold() (将固定级别的阈值应用于每个数组元素)ThresholdTypes 最大类间方差法(大 ...
CUDA精进之路（五）：图像处理——OTSU二值算法（最大类间方差法、大津法）
引言最近在做医疗设备相关的项目,故在项目中大量用到了各类图像分割的算法,为了在图像中分割出特定目标,用到的算法可以有很多,比如阈值分割,多通道分割,边缘分割以及一些前沿的组合分割.而对大多数图像来说 ...
最大类间方差法（大津法OTSU）原理
算法介绍最大类间方差法是1979年由日本学者大津提出的,是一种自适应阈值确定的方法,又叫大津法,简称OTSU,是一种基于全局的二值化算法,它是根据图像的灰度特性,将图像分为前景和背景两个部分.当取最 ...
基于OTSU(大津法)的图像分块的阈值分割
一.开发环境: Qt版本:Qt5.12.3VS版本:VS2017opencv版本:opencv-4.5.1-vc14_vc15 二.要求:实现基于图像分块+OTSU的图像分割 1.OTSU大津法实现 ...

【GEE笔记】最大类间方差法（otsu、大津法）算法实现——计算阈值、图像二值化分割

主要内容

算法原理

概念

原理

算法实现

数据准备

数据查看

计算阈值

分割图像

代码附录

【GEE笔记】最大类间方差法（otsu、大津法）算法实现——计算阈值、图像二值化分割相关推荐

最新文章

热门文章

【GEE笔记】最大类间方差法（otsu、大津法）算法实现——计算阈值、图像二值化分割

主要内容

算法原理

概念

原理

算法实现

数据准备

​

数据查看

计算阈值

分割图像

代码附录

【GEE笔记】最大类间方差法（otsu、大津法）算法实现——计算阈值、图像二值化分割相关推荐

最新文章

热门文章