Sentinel-1 大津法(OTSU)

### 使用 Sentinel-1 数据结合大津法 (Otsu) 实现图像分割 Sentinel-1 是一种合成孔径雷达 (SAR) 卫星，其数据具有穿透云层的能力，在洪水监测、土地覆盖变化分析等领域有广泛应用。通过 Google Earth Engine (GEE)，可以高效处理大规模遥感数据并实现自动化分析。 #### 1. 数据预处理 在 GEE 中加载 Sentinel-1 数据前，需对其进行一系列预处理操作以减少噪声干扰并增强信号质量。以下是常见的预处理步骤： - **去噪**: 对原始 SAR 图像应用 Lee 滤波器或其他滤波算法降低斑点噪声的影响。 - **辐射校正**: 调整回波强度以补偿地形起伏带来的影响。 - **几何校正**: 将 SAR 图像投影至地理坐标系中以便后续分析。 代码示例如下： ```javascript // 加载 Sentinel-1 GRD 数据集合 var sentinel1 = ee.ImageCollection('COPERNICUS/S1_GRD') .filterDate('2023-01-01', '2023-12-31') // 时间范围筛选 .filterBounds(geometry); // 地理范围筛选 // 应用 Lee 滤波器去除噪声 function applyLeeFilter(image) { var bandVH = image.select('VH'); // 提取 VH 波段 var mean = bandVH.reduceNeighborhood({ reducer: ee.Reducer.mean(), kernel: ee.Kernel.circle(3), // 定义窗口大小 }); return image.addBands(mean.rename('VH_mean')); // 添加平滑后的波段 } var filteredImages = sentinel1.map(applyLeeFilter); ``` #### 2. 计算 NDVI 或其他指数（可选） 虽然 Sentinel-1 不提供光谱信息，但在某些情况下可以通过与其他光学传感器（如 Sentinel-2）联合使用计算归一化差异水体指数 (NDWI)[^2] 来辅助分类过程。如果仅依赖于 SAR 数据，则可以直接跳过此部分。 #### 3. 大津法 (Otsu) 阈值分割 大津法是一种自动确定最佳全局阈值的方法，适用于二值化问题。它基于直方图统计寻找能够最大化类间方差的分界点作为最终阈值。 具体实现如下所示： ```javascript // 获取单张影像用于演示目的 var singleImage = filteredImages.first(); // 提取感兴趣波段（此处假设为 VH 均值） var vhBand = singleImage.select('VH_mean'); // 执行 Otsu 自动阈值得到掩膜 var otsuThreshold = ee.Number(ee.Algorithms.If( vhBand.reduceRegion({ reducer: ee.Reducer.percentile([99]), // 初始估计最大值 geometry: geometry, scale: 10, // 分辨率设置 maxPixels: 1e13 // 最大像素数限制 }).values().get(0), vhBand.reduceRegion({ reducer: ee.Reducer.histogram(), // 构建灰度直方图 geometry: geometry, scale: 10, maxPixels: 1e13 }).get('histogram'), function(histogram){ var counts = ee.Array(ee.Dictionary(histogram).get('hist')); var means = ee.Array(ee.Dictionary(histogram).get('bucketMeans')); var size = means.length().get([0]); var total = counts.reduce(ee.Reducer.sum(), [0]).get([0]); var sum = means.multiply(counts).reduce(ee.Reducer.sum(), [0]).get([0]); var mean = sum.divide(total); var indices = ee.List.sequence(1, size); var betweenSum = indices.map(function(i){ var aCounts = counts.slice(0, 0, i); var aCount = aCounts.reduce(ee.Reducer.sum(), [0]).get([0]); var bCount = total.subtract(aCount); var aMeans = means.slice(0, 0, i); var aMean = aMeans.multiply(aCounts).reduce(ee.Reducer.sum(), [0]).get([0]).divide(aCount); var bMean = sum.subtract(aCount.multiply(aMean)).divide(bCount); return aCount.multiply(bCount).multiply(aMean.subtract(bMean).pow(2)); }); return betweenSum.indexOf(betweenSum.sort().reverse().get([0])); } )); // 创建二值掩码 var thresholded = vhBand.gt(otsuThreshold); // 显示结果 Map.addLayer(thresholded.selfMask(), {palette: ['blue']}, 'Flood Area'); ``` 以上脚本实现了从 Sentinel-1 数据提取目标区域的过程，并采用大津法完成阈值划分[^1]。 --- ####