基于最大类间方差准则的变化区域提取

第35卷第12期 光电工程V ol.35, No.12 2008年12月Opto-Electronic Engineering Dec, 2008文章编号：1003-501X(2008)12-0063-04

基于最大类间方差准则的变化区域提取

孟瑜1, 2，赵忠明1，柳星春3，汤泉1, 2

( 1. 中国科学院遥感应用研究所，北京 100101；

2. 中国科学院研究生院，北京 100039；

3. 国家遥感中心航空遥感一部，北京 100076 )

摘要：针对不同时相遥感影像变化检测研究中变化区域的自动提取问题，本文提出一种基于类间最大方差准则，利用C均值算法自动确定变化阈值的方法。该方法中将变化区域提取问题转化为两类之间的分类问题，利用C均值算法进行迭代处理，当两类之间方差最大时即为最佳变化阈值T。实验结果表明，该方法可准确快速地确定图像变化检测的最佳阈值，实现变化区域提取的自动化。

关键词：变化阈值；最大类间方差；C均值；自动提取

中图分类号：TP751 文献标志码：A

Automatic Extraction of Changed Region Based on

Maximal Variance Between-class

MENG Yu1, 2，ZHAO Zhong-ming1，LIU Xing-chun3，TANG Quan1, 2

( 1. Institute of Remote Sensing Application, Chinese Academy of Science, Beijing 100101, China;

2. Graduate University of Chinese Academy of Sciences, Beijing 100039, China;

3. First Aerial Remote Sensing Department, National Remote Sensing Center, Beijing 100076, China )

Abstract: Extracting changed areas from different images was an important problem in the field of remote sensing image change detection. To solve this problem, a method based on maximal variance between-class criteria and C-means algorithm was proposed. Changed area extraction was converted into a typical problem of two-category classification and could be solved by employing threshold strategy. The C-means algorithm is used to classify an image into two classes and obtained its best threshold when the variance between-class is maximal. The experimental results show that the method can automatically determine the best image change detection threshold and extract the changed areas quickly and accurately.

Key words: change threshold; maximal variance between-class; C-means algorithm; automatic extraction

1 引 言

随着社会与技术的发展，人类的各种活动每天都在改变着地表景观及其利用形式，人口的快速增长及城市化的发展，加速了这种变化的速度。因此，快速而有效地检测这些变化信息，分析变化的特点和原因及其影响结果，对于实现我国的可持续发展具有十分重要的意义。

近几十年来，随着航天技术、传感器技术、计算机技术及其相关科学的迅猛发展，遥感技术得到了飞速进步。作为一门正在兴起、并有着广泛应用前景的学科，遥感技术具有空间上的连续性和时间上的序列性，可以提供进行地物感知和监测的多时相图像数据。

利用多时相遥感图像获取地物变化信息的过程称之为变化检测，在变化检测中阈值的选择起着关键作

收稿日期：2008-06-19；收到修改稿日期：2008-09-03

作者简介：孟瑜(1981-)，女(汉族)，宁夏银川人，博士研究生，主要研究工作是遥感图像处理。E-mail:mengyu_irsa@https://www.sodocs.net/doc/3313448887.html,

光电工程 第35卷第12期 64 用，一般预知的选择方法都是根据人工经验给定。阈值的自动确定一直是变化检测的重点和难点。随着变化检测的发展，图像分割中阈值的自动选择方法逐渐的应用到了变化检测中。本研究将以最大类间方差为聚类准则，利用C 均值聚类法进行迭代处理，确定图像变化检测的最佳阈值，实现变化区域提取的自动化。 2 变化区域提取的原理

按照遥感影像变化检测的基本目标，需要解决从差异影像中将发生了变化的区域提取出来的问题，我们将这个问题称之为变化区域的提取。具体来说，变化区域的提取就是要将差异影像中的像元分为两类——变化像元(ωc )类和未变化像元(ωu )类，判断每个像元属于哪一类并标上响应的类别标记，从而生成一幅将变化区域跟未变化区域区分开来的变化检测结果图。因此，变化区域提取实际上可以理解为典型的两类识别问题，从而可以采用影像分类或影像分割中的方法加以解决。其中阈值法是最常用的一种方法。这种方法的基本出发点是假定差异影像中未发生变化的区域像元值接近于0，而发生了变化的区域的像元值远离0，通过选取合适的阈值，可以将这两类像元区分开来，称这样的阈值为变化阈值。变化阈值法所需的阈值个数为1或2，这取决于差异影像的类别，如果差异影像中的像元值只有正值，则只需1个阈值即可，如图1(a)所示；反之若差异影像中的变化像元值有正有负，则需要正负各一个阈值才能区分变化和未变化两类像元，如图1(b)所示。

Singh 指出变化阈值是由研究人员根据经验主观确定的或用统计方法推断得到的[3]。一种经典的变化阈值确定方案是将变化阈值T 设定在距像元值的均值一定距离处，这一距离大小取为像元值分布标准偏差σ的倍数，即σa X T ±=，通常这一倍数a 由一个反复试错过程给出，在这种情况下，分析人员的主观因素在倍数a 的选取中起着主导作用，因而容易导致变化检测结果的可靠性较低。同时，这样的试错过程需要反复进行多次而且难以实现自动化处理，需要花费不菲的工作时间，从而会降低变化检测的效率。为了解决经验方法可靠性和效率不高的问题，一些学者提出了采用监督法来确定变化阈值。从理论上来说，不同的变化类型所对应的最优变化阈值应该是不同的，采用监督方法可以对每种变化类型确定各自不同的变化阈值。但实际上，在很多情况下，研究者受数据条件的限制，无法预先获得足够数量的各种变化类别的典型训练样本数据，因此只能采用非监督方法，根据差异影像自身的特点，确定全局统一的变化阈值来确定提取变化区域。

3 基于最大类间方差准则的变化区域提取算法介绍

3.1 定义聚类准则函数

由于变化区域提取实际上可以理解为典型的两类识别问题，即将其差异影像划分为变化类和未变化类。因此，我们希望聚类结果使类间距离越大越好。为此需构造能反映出类间距离的准则函数[4]。假定灰度级直方图为连续的概率密度函数p (x )，变化区和未变化区的类间方差定义为[5]

2o 2c c 2u u 2c u c 2o u u 2)()()(m m p m p m m p m m p T ??=?+?=σ (1)

式中：∫=T x s p p 0u d )(，∫∞=T x x p p d )(c ，∫∞=T x x xp p m d )()/1(c c ，c c u u 0o d )(m p m p x x xp m +==∫∞

，(a) 单阈值 (b) 双阈值

(a) Single threshold (b) Dual-threshold

图1 变化阈值个数与差异影像类别之间的关系

Fig.1 Relationship between the number of threshold and the type of difference image

X

h (x

2008年12月 孟 瑜 等：基于最大类间方差准则的变化区域提取 65∫=T

x x xp p m 0u u d )()/1(。 使)(2T σ最大，得2/)(c u m m T +=，此时T 为区分变化区与未变化区的最佳阈值。

3.2 求解最佳阈值

本研究中求解T 的过程采用C 均值法实现。算法基本步骤如下：

1) 选择2个模式特征矢量作为初始的变化类和未变化类聚类中心：)0(c z ，)0(u z 。

2) 将待分类的模式特征矢量集}{i x 中的模式逐个按最小距离原则分划给2类中的某一类，即：

如果 ][min )(k ij j

k ij d d =，N i ...,,2,1= (2) 则判 )1(

+∈k j i x ω

式中)(k ij d 表示i x 和)(

k j ω的中心)(

k j z 的距离，上角标表示迭代次数。于是产生新的聚类)1(+k j ω)c u,(=j 。

3) 计算重新分类后的各类心

c u,1)1()

1(1==∑+∈++j x n z k j i x i k j k j ，ω (3)

式中)1(

+k j n 为)1(+k j ω类中所含模式的个数。

4) 如果)()1(

k j k j z z =+)c u,(=j ，则结束；否则，1+=k k ，转至2)。

3.3 算法收敛性分析

我们以欧式距离为例，简单的分析该算法的收敛性。在上述算法中，虽然没有直接运用准则函数)(2T σ进行分类，但根据式(2)进行模式分划可使)(2T σ趋于变大。设某样本i x 从聚类u ω移至c ω中，u ω移出i x 后

的集合为u ~ω，c ω移入i x 后的集合为c ~ω。设ωu 和ωc 所含样本数分别为n u 和n c ，聚类u ω、u ~ω、c ω和c

~ω的均值分别为u m 、u ~m 、c m 和c ~m 。显然有 )(11~u u u

u m x n m m i ???= (4) )(1

1~c c c c m x n m m i ?+?= (5) 则这两个新的聚类的类间方差)~(2T σ与原来的两个聚类的类间方差)(2T σ的关系是 εσσ=?)()~(22T T (6) 因此，只需证明0<ε。经推导，略去?的二次项及一次不变项，剩余项

2u u u 2c c c ||||1

||||1m x n n m x n n i i ?+??+=ε (7) 因为u n 中移出2u u u 2c c c ||||1||||1

m x n n m x n n i i ?+。 从上述推导过程可发现，将i x 分划给c ω类可使)(2T σ变大。这说明在分类问题中不断地计算新分划的各类的类心，并按最小距离原则可使)(2T σ值增至极大值。

3.4 算法复杂度分析

基于最大类间方差的变化区域提取整体处理流程是：首先，选择初始的变化类和未变化类，并取其平

均值作为初始的聚类中心；然后利用C 均值算法对每个差异像元进行类别划分。

该算法的复杂度是)2(nt O ，其中，n 是一幅差异影像中所含像元的数目，t 是迭代的次数。通常，t 远远小于n 。

4 实验与结果

本研究以某地区前、后两时相QuickBird 多光谱影像为分析工作的影像来源，如图2所示。将前后时相影像进行图像相减，得到差异影像，如图3所示。

下面，我们需按照3.2节介绍的最佳阈值的求解过程来确定变化阈值。从上面介绍可看出，该算法的一个关键问题是如何确定迭代过程中的初始值。根据差异影像自身的特点，我们采用一种选取合理阈值以构造高置信度像元子集，从中估计待定参数初始值的策略。从本实验图差异影像直方图(图4)可看出，差异影像中的变化像元值有正有负，并且正、负分布情况不对称，因此需要正负各一个阈值来区分变化和未变化两类像元。为方便期间，首先选择正像元像元集，假设初始阈值为T ，以两个像元子集

}),(/),({u T j i x j i x <=ω (8)； }),(/),({c T j i x j i x ≥=ω (9)

分别作为未变化和变化两类像元的初始典型样本集，如图5所示。然后分别在这两个子集上按下式估算均值和标准偏差的初始值。

∑∈=n ),(u )0(u ),(||||1ωωj i x j i x m (10)； ∑∈=c

),(c )0(c ),(||||1ωωj i x j i x m (11) 得到分布分数的初始估计值之后，按照C 均值算法步骤进行迭代计算，更新聚类中心，直至收敛。同理，对负像元集进行迭代求解。最终得到正、负变化阈值分别为：9.51?=T ，26.62=T 。此时，按照式(12)对差异影像进行二值化处理，得到变化区域图(图6)。

?

??≥≤<<=2121or 10T x T x T x T x i i i i ，， (12) 5 结 论

本文对变化检测结果自动最佳阈值确定的问题进行了深入研究，提出了采用基于最大类间方差法作为聚类准则，C 均值聚类法进行迭代以自动确定最佳阈值的策略。通过实验证明了结论的正确性。 参考文献：

[1] 吴一全，朱兆达. 图像处理中阈值选取方法30年(1962-1992)的进展(一) [J]. 数据采集与处理，1993，8(3)：54-59.

WU Yi-quan ，ZHU Zhao-da. 30 Years(1962-1992)of the Developments in Threshold Selection Methods in Image Processing(2)

[J]. Journal of Data Acquisition & Processing ，1993，8(3)：54-59.

( 下转第72页

)

图3 差异影像Fig.3 Difference

image 图4 差异影像直方图 Fig.4 Histogram of difference image 图2 QuickBird 多光谱数据

Fig.2

(a) is 2002 QuickBird image and (b)is 2003 QuickBird image (a) (b)

图5 构造典型样本集用作C 均值算法初始化

Fig.5 Typical sample set

图6 变化区域图 Fig.6 Changed-area image

[8]WANG Zheng-ping，KANG Chong，HUANG Zong-jun，et al. Optical current sensing element with polarization-preserving

coatings for faraday current sensor [J]. Acta Photonica Sinica，1998，27(2)：136-140.

[9]王政平，刘晓瑜，黄宗军. 光学玻璃电流互感器中互易性问题的理论研究[J]. 光子学报，2006，35(9)：1333-1336.

WANG Zheng-ping，LIU Xiao-yu，HUANG Zong-jun. Theoretical analysis of reciprocity problems in bulk glass optical current sensors [J].Acta Photonica Sinica，2006，35(9)：1333-1336.

[10]王政平，刘晓瑜. 线性双折射对不同类型光学玻璃电流互感器输出特性的影响[J]. 中国电机工程学报，2006，26(14)：

75-79.

WANG Zheng-ping，LIU Xiao-yu. Effects of linear birefringence upon performances of different designs of optical glass current transformers [J]. Proceedings of the Chinese Society for Electrical Engineering，2006，26 (14)：75-79.

[11]王政平，阮顺龄，孙伟民，等. 单层介质膜反射棱镜式光学相位延迟器件研究[J]. 光子学报，1997，26(6)：556-560.

WANG Zheng-ping，RUAN Sun-ling，SUN Wei-min，et al. Reflecting prism-retarders with a single medium layer [J]. Acta Photonica Sinica，1997，26(6)：556-560.

[12]靳伟，廖延彪，张志鹏. 导波光学传感器原理与技术[M]. 北京：科学出版社，1998：195-196.

JIN Wei，LIAO Yan-biao，ZHANG Zhi-peng. Principles and Technologies of Guided-Wave Optical Sensors [M]. Beijing：Science Press，1998：195-196.

[13]康崇，王政平，黄宗军，等. 无偏振效应分束器反射相移对法拉第镜式光学电流互感器输出光偏振态的影响[J]. 光学学

报，2006，26(12)：1857-1860.

KANG Chong，WANG Zheng-ping，HUANG Zong-jun，et al. Influence of reflection-induced-retardance of non-polarizing beam splitter upon the polarization state of the output light of faraday mirror optical current transformer [J]. Acta Optica Sinica，2006，26(12)：1857-1860.

JJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ ( 上接第66页 )

[2] 吴一全，朱兆达. 图像处理中阈值选取方法30年(1962-1992)的进展(二)[J]. 数据采集与处理，1993，8(4)：268-282.

WU Yi-quan，ZHU Zhao-da. 30 Years(1962-1992)of the Developments in Threshold Selection Methods in Image Processing(2) [J]. Journal of Data Acquisition & Processing，1993，8(4)：268-282.

[3] Sign A. Digital change detection techniques using remotely sensed data [J]. International Journal of Remote Sensing，1989，

10(6)：989-1003.

[4] Otsu N. A threshold selection method from gray-level histogram [J]. IEEE Transactions on Systems, Man and Cybernetics，

1979，9(1)：62-66.

[5] Reddi S S，Rudin S F，Keshavan H R. An optimal multiple threshold scheme for image segmentation [J].IEEE Trans On

Systems, Man, and Cybernetics，1984，14(4)：661-665.

[6] 盛辉，廖明生，张路. 基于典型相关分析的变化检测中阈值的确定[J]. 遥感学报，2004，8(5)：451-457.

SHENG Hui，LIAO Ming-sheng，ZHANG Lu. Determination of Threshold in Change Detection Based on Canonical Correlation Analysis [J]. Journal of Remote Sensing，2004，8(5)：451-457.

[7] 边肇祺，张学工. 模式识别[M].北京：清华大学出版社，2001.

[8] 范海生，马蔼乃，李京. 采用图像差值法提取土地利用变化信息方法—以攀枝花仁和区为例[J]. 遥感学报，2001，5(1)：

76-81.

FAN Hai-sheng，MA Ai-nai，LI Jing. Case Study on Image Differencing Method for Land Use Change Detection Using Thematic Data in Renhe District of Panzhihua [J]. Journal of Remote Sensing，2001，5(1)：76-81.

[9] Bruzzone L，Cossu R. An Adaptive Approach to Reducing Restration Noise Effects in Unsupervised Change Detection [J].

IEEE Transaction on Geoscience and Remote Sensing，2003，41 (11)：2455-2465.

方差分析简介

方差分析简介（一） 方差分析是我们从心理统计这门课就提到一个基本的统计方法。但或许很多人到做研究生毕业论文的时候，还没搞清楚到底方差分析是怎么一回事。我们的老师对很多基本的地方也是含糊不清。我就我几年学习和应用的理解，粗略讲一下方差分析是怎么回事。 什么是方差分析？就是对方差的分析。有人说你这不废话么？这还真不是废话。t检验就不是对方差的分析。独立样本t检验是对两个样本均值的差异进行检验，而相关样本t检验是对两个样本差异的均值进行检验。而方差分析就是对引起样本数据出现差异的若干因素影响孰强孰弱的分析。换句话说，当样本数据差异较小的时候，t检验会认为不存在差异，但方差分析可以从这较小的差异中分析出实验处理和随机误差谁对这个差异贡献更大。所以说在控制水平一定的情况下，方差分析更容易得到显著性水平高，但power较低的结果。（因为虽然差异贡献大，但本身差异不大。翻译为人话就是这个研究结果虽然显著但没什么意义。） 既然是对方差的分析，那么研究者对数据就有一定的要求。不是什么样的数据都适合做方差分析。这其中最重要最重要的，违反了就无从可谈的就是至少要等距数据(interval data)。因为至少等距数据才能做参数检验。称名数据(nominal data)和顺序数据(ordinal data)只能做非参数检验。既然要分析方差，就得有均值，有方差。 第二重要的是要正态分布的数据。为什么要强调数据正态分布呢？这要从平均数说起，平均数，从定义上来说，是一组数据中唯一对其离均差之和为0的数值。如果数据呈正态分布，平均数就是一组数据中最具有代表性的那个值。好比说一次考试全班的平均分为81.6分，我们大概可以知道有两个事实：1）多数同学考试分数是七八十分，2）如果你高于82分说明你考的还算不错，低于81分就说明考得不够理想。这个高低差距越大，这个结论的信心就越强。这两个结论是基于考试分数是基本上的正态分布推断出来的。如果不是正态分布怎么样呢？拿工资说话，以我所在的圣安东尼奥市为例，这个城市适合工作年龄的人，大约有55%的“蓝领”，30%的“白领”，14%学生或自由职业者，和1%的绝对高收入者。这个差别有多大呢？“蓝领”的税后工资大约是年收入25,000～45,000，白领大约是50,000～80,000，而超高收入者，例如蒂姆邓肯同学，他的税后收入大约是20,000,000。如果算个平均数，统计局说圣安东尼奥市人民平均收入高达50,000，大家过着幸福美满的生活。那55%的蓝领和14%的学生肯定想抽这个发

最大类间方差法(otsu)的原理

在网上很多地方都可以找到，但是我发觉似乎都是一样，而且一点注释都没有，如果光拿来用当然可以了，可是用一个算法不搞清楚里面的数学是件很遗憾的事情，我把OTSU的代码加上详细的注释，也算是对自己以后继续努力的一个鞭笞吧！ 最大类间方差法（otsu）的原理： 阈值将原图象分成前景，背景两个图象。 前景：用n1, csum, m1来表示在当前阈值下的前景的点数，质量矩，平均灰度后景：用n2, sum-csum, m2来表示在当前阈值下的背景的点数，质量矩，平均灰度 当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源） 在本程序中类间方差用sb表示，最大类间方差用fmax 关于最大类间方差法（otsu）的性能: 类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。 当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。 最大最大类间方差法（otsu）的公式推导： 记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。 则图像的总平均灰度为：u=w0*u0+w1*u1。 前景和背景图象的方差： g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式，可参照概率论课本 上面的g的公式也就是下面程序中的sb的表达式 当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值 unsafe public int GetThreshValue(Bitmap image) { BitmapData bd = (new Rectangle(0, 0, , , , ; byte* pt = (byte*); int[] pixelNum = new int[256]; //图象直方图，共256个点 byte color; byte* pline; int n, n1, n2; int total; //total为总和，累计值 double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值 int k, t, q; int threshValue = 1; // 阈值 int step = 1; switch { case :

Otsu算法(大律法或最大类间方差法)

Otsu算法(大律法或最大类间方差法) 一、Otsu最大类间方差法原理 利用阈值将原图像分成前景，背景两个图象。 前景：用n1,csum,m1来表示在当前阈值下的前景的点数，质量矩，平均灰度 后景：用n2, sum-csum,m2来表示在当前阈值下的背景的点数，质量矩，平均灰度 当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准，而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源），在本程序中类间方差用sb表示，最大类间方差用fmax 关于最大类间方差法（otsu）的性能: 类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。 当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。 最大类间方差法（otsu）的公式推导： 记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。 则图像的总平均灰度为：u=w0*u0+w1*u1。 前景和背景图象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式。 可参照概率论课本上面的g的公式也就是下面程序中的sb的表达式。当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度t是最佳阈值sb = w1*w2*(u1-u0)*(u0-u1) 算法实现1： unsafe public int GetThreshValue(Bitmap image) { BitmapData bd = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat); byte* pt = (byte*)bd.Scan0; int[] pixelNum = new int[256]; //图象直方图，共256个点 byte color; byte* pline; int n, n1, n2; int total; //total为总和，累计值 double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值 int k, t, q; int threshValue = 1; // 阈值 int step = 1; switch (image.PixelFormat) { case PixelFormat.Format24bppRgb: step = 3; break; case PixelFormat.Format32bppArgb: step = 4; break; case PixelFormat.Format8bppIndexed: step = 1; break; } //生成直方图 for (int i = 0; i < image.Height; i++) { pline = pt + i * bd.Stride; for (int j = 0; j < image.Width; j++) { color = *(pline + j * step); //返回各个点的颜色，以RGB表示 pixelNum[color]++; //相应的直方图加1 } } //直方图平滑化

SPSS——单因素方差分析详解

SPSS——单因素方差分析 来源：李大伟的日志 单因素方差分析 单因素方差分析也称作一维方差分析。它检验由单一因素影响的一个(或几个相互独立的)因变量由因素各水平分组的均值之间的差异是否具有统计意义。还可以对该因素的若干水平分组中哪一组与其他各组均值间具有显著性差异进行分析，即进行均值的多重比较。One-Way ANOVA过程要求因变量属于正态分布总体。如果因变量的分布明显的是非正态，不能使用该过程，而应该使用非参数分析过程。如果几个因变量之间彼此不独立，应该用Repeated Measure 过程。 [例子] 调查不同水稻品种百丛中稻纵卷叶螟幼虫的数量，数据如表1-1所示。 表1-1 不同水稻品种百丛中稻纵卷叶螟幼虫数 数据保存在“data1.sav”文件中，变量格式如图1-1。 图1-1 分析水稻品种对稻纵卷叶螟幼虫抗虫性是否存在显著性差异。

1）准备分析数据 在数据编辑窗口中输入数据。建立因变量“幼虫”和因素水平变量“品种”，然后输入对应的数值，如图1-1所示。或者打开已存在的数据文件“data1.sav”。 2）启动分析过程 点击主菜单“Analyze”项，在下拉菜单中点击“Compare Means”项，在右拉式菜单中点击“0ne-Way ANOVA”项，系统 打开单因素方差分析设置窗口如图1-2。 图1-2 单因素方差分析窗口 3）设置分析变量 因变量:选择一个或多个因子变量进入“Dependent List”框中。本例选择“幼虫”。 因素变量:选择一个因素变量进入“Factor”框中。本例选择“品种”。 4）设置多项式比较 单击“Contrasts”按钮，将打开如图1-3所示的对话框。该对话框用于设置均值的多项式比较。

方差分析的基本思想

第一节方差分析的基本思想 1、方差分析的意义 前述的t检验和u检验适用于两个样本均数的比较，对于k个样本均数的比较，如果仍用t检验或u检验， 需比较次，如四个样本均数需比较次。假设每次比较所确定的 检验水准=0.05，则每次检验拒绝H0不犯第一类错误的概率为1-0.05=0.95；那么6次检验都不犯第一类错误的概率为(1-0.05)6=0.7351，而犯第一类错误的概率为0.2649，因而t检验和u检验不适用于多个样本均数的比较。用方差分析比较多个样本均数,可有效地控制第一类错误。方差分析(analysis of variance,ANOVA)由英国统计学家R.A.Fisher首先提出，以F命名其统计量，故方差分析又称F检验。 2、方差分析的基本思想 下面通过表5.1资料介绍方差分析的基本思想。 例如，有4组进食高脂饮食的家兔，接受不同处理后，测定其血清肾素血管紧张素转化酶（ACE）浓度（表5.1），试比较四组家兔的血清ACE浓度。 表5.1对照组及各实验组家兔血清ACE浓度（u/ml） (

由表5.1可见，26只家兔的血清ACE浓度各不相同，称为总变异；四组家兔的血清ACE浓度均数也各不相同，称为组间变异；即使同一组内部的家兔血清ACE 浓度相互间也不相同，称为组内变异。该例的总变异包括组间变异和组内变异两部分，或者说可把总变异分解为组间变异和组内变异。组内变异是由于家兔间的个体差异所致。组间变异可能由两种原因所致，一是抽样误差；二是由于各组家兔所接受的处理不同。正如第四章所述，在抽样研究中抽样误差是不可避免的，故导致组间变异的第一种原因肯定存在；第二种原因是否存在，需通过假设检验作出推断。假设检验的方法很多，由于该例为多个样本均数的比较，应选用方差分析。 方差分析的检验假设H0为各样本来自均数相等的总体，H1为各总体均数不等或不全相等。若不拒绝H0时，可认为各样本均数间的差异是由于抽样误差所致，而不是由于处理因素的作用所致。理论上，此时的组间变异与组内变异应相等，两者的比值即统计量F为1；由于存在抽样误差，两者往往不恰好相等，但相差不会太大，统计量F应接近于1。若拒绝H0，接受H1时，可认为各样本均数间的差异，不仅是由抽样误差所致，还有处理因素的作用。此时的组间变异远大于组内变异，两者的比值即统计量F明显大于1。在实际应用中，当统计量F值远大于1且大于某界值时，拒绝H0，接受H1，即意味着各样本均数间的差异，不仅是由抽样误差所致，还有处理因素的作用。 （5.1） 方差分析的基本思想是根据研究目的和设计类型，将总变异中的离均差平方和SS及其自由度分别分解成相应的若干部分，然后求各相应部分的变异；再用各部分的变异与组内（或误差）变异进行比较，得出统计量F值；最后根据F值的大小确定P值，作出统计推断。 例如，完全随机设计的方差分析，是将总变异中的离均差平方和SS及其自由度 分别分解成组间和组内两部分，SS组间/组间和SS组内/组内分别为组间变异（MS组间）和组内变异（MS组内），两者之比即为统计量F（MS组间/MS组内）。 又如，随机区组设计的方差分析，是将总变异中的离均差平方和SS及其自由度 分别分解成处理间、区组间和误差3部分，然后分别求得以上各部分的变异（MS 处理、MS 区组和MS误差），进而得出统计量F值（MS处理/MS误差、MS区组/MS误差）。 3、方差分析的计算方法 下面以完全随机设计资料为例，说明各部分变异的计算方法。将N个受试对象随机分为k组，分别接受不同的处理。归纳整理数据的格式、符号见下表：

基于最大类间方差准则的变化区域提取

第35卷第12期 光电工程V ol.35, No.12 2008年12月Opto-Electronic Engineering Dec, 2008文章编号：1003-501X(2008)12-0063-04 基于最大类间方差准则的变化区域提取 孟瑜1, 2，赵忠明1，柳星春3，汤泉1, 2 ( 1. 中国科学院遥感应用研究所，北京 100101； 2. 中国科学院研究生院，北京 100039； 3. 国家遥感中心航空遥感一部，北京 100076 ) 摘要：针对不同时相遥感影像变化检测研究中变化区域的自动提取问题，本文提出一种基于类间最大方差准则，利用C均值算法自动确定变化阈值的方法。该方法中将变化区域提取问题转化为两类之间的分类问题，利用C均值算法进行迭代处理，当两类之间方差最大时即为最佳变化阈值T。实验结果表明，该方法可准确快速地确定图像变化检测的最佳阈值，实现变化区域提取的自动化。 关键词：变化阈值；最大类间方差；C均值；自动提取 中图分类号：TP751 文献标志码：A Automatic Extraction of Changed Region Based on Maximal Variance Between-class MENG Yu1, 2，ZHAO Zhong-ming1，LIU Xing-chun3，TANG Quan1, 2 ( 1. Institute of Remote Sensing Application, Chinese Academy of Science, Beijing 100101, China; 2. Graduate University of Chinese Academy of Sciences, Beijing 100039, China; 3. First Aerial Remote Sensing Department, National Remote Sensing Center, Beijing 100076, China ) Abstract: Extracting changed areas from different images was an important problem in the field of remote sensing image change detection. To solve this problem, a method based on maximal variance between-class criteria and C-means algorithm was proposed. Changed area extraction was converted into a typical problem of two-category classification and could be solved by employing threshold strategy. The C-means algorithm is used to classify an image into two classes and obtained its best threshold when the variance between-class is maximal. The experimental results show that the method can automatically determine the best image change detection threshold and extract the changed areas quickly and accurately. Key words: change threshold; maximal variance between-class; C-means algorithm; automatic extraction 1 引 言 随着社会与技术的发展，人类的各种活动每天都在改变着地表景观及其利用形式，人口的快速增长及城市化的发展，加速了这种变化的速度。因此，快速而有效地检测这些变化信息，分析变化的特点和原因及其影响结果，对于实现我国的可持续发展具有十分重要的意义。 近几十年来，随着航天技术、传感器技术、计算机技术及其相关科学的迅猛发展，遥感技术得到了飞速进步。作为一门正在兴起、并有着广泛应用前景的学科，遥感技术具有空间上的连续性和时间上的序列性，可以提供进行地物感知和监测的多时相图像数据。 利用多时相遥感图像获取地物变化信息的过程称之为变化检测，在变化检测中阈值的选择起着关键作 收稿日期：2008-06-19；收到修改稿日期：2008-09-03 作者简介：孟瑜(1981-)，女(汉族)，宁夏银川人，博士研究生，主要研究工作是遥感图像处理。E-mail:mengyu_irsa@https://www.sodocs.net/doc/3313448887.html,

用matlab实现自适应图像阈值分割最大类方差法代码

%用matlab实现自适应图像阈值分割最大类方差法代码clear; warning off; SE = strel('diamond',4); BW1 = imread('cameraman.tif'); BW2 = imerode(BW1,SE); BW3 = imdilate(BW2,SE); BW4 = BW1-BW3; %rgb转灰度 if isrgb(BW4)==1 I_gray=rgb2gray(BW4); else I_gray=BW4; end figure,imshow(I_gray); I_double=double(I_gray);%转化为双精度 [wid,len]=size(I_gray); colorlevel=256; %灰度级 hist=zeros(colorlevel,1);%直方图 %threshold=128; %初始阈值 %计算直方图 for i=1:wid for j=1:len m=I_gray(i,j)+1; hist(m)=hist(m)+1; end end hist=hist/(wid*len);%直方图归一化 miuT=0; for m=1:colorlevel miuT=miuT+(m-1)*hist(m); end xigmaB2=0; for mindex=1:colorlevel threshold=mindex-1; omega1=0; omega2=0; for m=1:threshold-1 omega1=omega1+hist(m); end omega2=1-omega1; miu1=0; miu2=0; for m=1:colorlevel if m

方差分析公式

方差分析公式 （20PP-06-2611:03:09） 转载▼ 标签： 分类：统计方法 杂谈 方差分析 方差分析（analPsisofvarianee ，简写为ANOV或ANOV A可用于两个或两个以 上样本均数的比较。应用时要求各样本是相互独立的随机样本；各样本来自正态 分布总体且各总体方差相等。方差分析的基本思想是按实验设计和分析目的把全部观察值之间的总变异分为两部分或更多部分，然后再作分析。常用的设计有完 全随机设计和随机区组设计的多个样本均数的比较。 一、完全随机设计的多个样本均数的比较 又称单因素方差分析。把总变异分解为组间（处理间）变异和组内变异（误差）两部分。目的是推断k个样本所分别代表的卩1,卩2,……卩k是否相等，以便比较多个处理的差别有无统计学意义。其计算公式见表19-6. 表19-6完全随机设计的多个样本均数比较的方差分析公式 GC=（艺G） 2/N=艺ni , k为处理组数 方差分析计算的统计量为F,按表19-7所示关系作判断。 例19.9某湖水不同季节氯化物含量测量值如表19-8，问不同季节氯化物含量有 无差别？ 表19-8某湖水不同季节氯化物含量（mg/L）

SS 加刖=丄 和 ' 10619.265^ 170 HO:湖水四个季节氯化物含量的总体均数相等，即 卩仁卩2=卩3=卩4 H1:四个总体均数不等或不全相等 a =0.05 先作表19-8下半部分的基础计算。 C=（艺 G ） 2/N= （588.4） 2/32=10819.205 SS 总=艺 G2-C=11100.84-10819.205=281.635 V 总=N-仁31 （工吋 “ 1 广_ （】6二口尸斗/」期.匸尸千 K .IT N "一 - ? r . —I b K V 组间=k-1=4-1=3 SS 组内=SS 总-SS 组间=281.635-141.107=140.465 V 组内=N-k=32-4=28 MS 组间二SS 组间 /v 组间=141.107/3=47.057

图像分割最大类间方差法

OPENCV的二值化操作中，有一种“大津阈值处理”的方法，使用函数 cvThreshold(image,image2,0,255,CV_THRESH_OTSU) 实现，该函数就会使用大律法OTSU得到的全局自适应阈值来进行二值化图片，而参数中的threshold不再起作用。OTSU算法 OTSU算法也称最大类间差法，有时也称之为大津算法，由大津于1979年提出，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。它是按图像的灰度特性,将图像分成背景和前景两部分。因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分 的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。 设灰度图像灰度级是L，则灰度范围为[0,L-1]，利用OTSU算法计算图像的最佳阈值为： t = Max[w0(t) * (u0(t) - u)^2 + w1(t) * (u1(t) - u)^2)] 其中的变量说明：当分割的阈值为t时，w0为背景比例，u0为背景均值，w1为前景比例，u1为前景均值，u为整幅图像的均值。 使以上表达式值最大的t，即为分割图像的最佳阈值。 以下是一段在OpenCV中实现的C语言程序，即一个使用OTSU算法提取图像阈值的函数，输入参数为一个图像指针，返回分割该图像的最佳阈值。 其中的变量说明：当分割的阈值为t时 w0为背景像素点占整幅图像的比例 u0为w0平均灰度 w1为前景像素点占整幅图像的比例 u1为w1平均灰度 u为整幅图像的平均灰度 公式:g = w0*pow((u-u0),2) + w1*pow((u-u1),2) int MyAutoFocusDll::otsuThreshold(IplImage *frame) { const int GrayScale = 256; int width = frame->width; int height = frame->height; int pixelCount[GrayScale]; float pixelPro[GrayScale]; int i, j, pixelSum = width * height, threshold = 0; uchar* data = (uchar*)frame->imageData; //指向像素数据的指针

方差概念及计算公式

方差概念及计算公式 一．方差的概念与计算公式 例1两人的5次测验成绩如下： X：50，100，100，60，50 E(X )=72；Y：73，70，75，72，70 E(Y )=72。 平均成绩相同，但X不稳定，对平均值的偏离大。方差描述随机变量对于数学期望的偏离程度。 单个偏离是 消除符号影响 方差即偏离平方的均值，记为D(X )： 直接计算公式分离散型和连续型，具体为： 这里是一个数。推导另一种计算公式 得到：“方差等于平方的均值减去均值的平方”，即 ， 其中

分别为离散型和连续型计算公式。称为标准差或均方差，方差描述波动程度。 二．方差的性质 1．设C为常数，则D(C) = 0（常数无波动）； 2．D(CX )=C2D(X ) （常数平方提取）； 证： 特别地D(-X ) = D(X ), D(-2X ) = 4D(X )（方差无负值） 3．若X、Y相互独立，则 证：记 则 前面两项恰为D(X )和D(Y )，第三项展开后为 当X、Y 相互独立时， ， 故第三项为零。 特别地 独立前提的逐项求和，可推广到有限项。 三．常用分布的方差 1．两点分布

2．二项分布 X ~ B( n, p ) 引入随机变量X i（第i次试验中A出现的次数，服从两点分布） ， 3．泊松分布（推导略） 4．均匀分布 另一计算过程为 5．指数分布（推导略） 6．正态分布（推导略） ~ 正态分布的后一参数反映它与均值的偏离程度，即波动程度（随机波动），这与图形的特征是相符的。 例2求上节例2的方差。 解根据上节例2给出的分布律，计算得到

求均方差。均方差的公式如下：（xi为第i个元素）。 S = ((x1-x的平均值)^2 + (x2-x的平均值)^2+(x3-x的平均值)^2+...+(xn-x的平均值)^2)/n)的平方根 大数定律表表明：事件发生的频率依概率收敛于事件的概率p，这个定理以严格的数学形式表达了频率的稳定性。就是说当n很大时，事件发生的频率于概率有较大偏差的可能性很小。由实际推断原理，在实际应用中，当试验次数很大时，便可以用事件发生的频率来代替事件的概率。 用matlab或c语言编写求导程序 已知电容电压uc,电容值 求电流i 公式为i=c(duc/dt) 怎样用matlab或c语言求解 函数的幂级数展开式

最大类间方差法原理及程序

最大类间方差法（otsu）的原理： 阈值将原图象分成前景，背景两个图象。 前景：用n1, csum, m1来表示在当前阈值下的前景的点数，质量矩，平均灰度 后景：用n2, sum-csum, m2来表示在当前阈值下的背景的点数，质量矩，平均灰度 当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准 而在otsu算法中这个衡量差别的标准就是最大类间方差（英文简称otsu，这也就是这个算法名字的来源） 在本程序中类间方差用sb表示，最大类间方差用fmax 关于最大类间方差法（otsu）的性能: 类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。 当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。 最大最大类间方差法（otsu）的公式推导： 记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。 则图像的总平均灰度为：u=w0*u0+w1*u1。 前景和背景图象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式，可参照概率论课本 上面的g的公式也就是下面程序中的sb的表达式 当方差g最大时，可以认为此时前景和背景差异最大，也就是此时的灰度是最佳阈值C程序： unsafe public int GetThreshV alue(Bitmap image) { BitmapData bd = image.LockBits(new Rectangle(0, 0, image.Width, image.Height), ImageLockMode.WriteOnly, image.PixelFormat); byte* pt = (byte*)bd.Scan0; int[] pixelNum = new int[256]; //图象直方图，共256个点 byte color; byte* pline; int n, n1, n2; int total; //total为总和，累计值 double m1, m2, sum, csum, fmax, sb; //sb为类间方差，fmax存储最大方差值 int k, t, q; int threshV alue = 1; // 阈值 int step = 1; switch (image.PixelFormat) { case PixelFormat.Format24bppRgb: step = 3; break; case PixelFormat.Format32bppArgb: step = 4; break;

最大类间方差法

% OTSU method clc; clear; %I = imread('E:\test\chinalake.bmp','bmp'); %I = imread('E:\test\lena.png','png'); I=imread('cell.bmp'); imshow(I); I = double(I); h_Tmean = mean(mean(I)); [height,width] = size(I); Size = height * width; % the size of the image h_T = sum(sum(I)); % the total gray value of the image G_min = min(min(I)); % the min gray value of the image G_max = max(max(I)); % the max gray value of the iamge I_seg = zeros(height,width); % the array to store the segmented image thresh = 0; % the threshold num1 = 0; num2 = 0; % count the num of the pixel from the diffrient class P1 = 0; P2 = 0; % the probability of the different class h_T1 = 0; h_T2 = 0; % the total gray value of different class h_T1mean = 0; h_T2mean = 0; % the mean value of the class max = 0; for thresh=G_min:G_max % find the best threshold h_T1 = 0; h_T2 = 0; num1 = 0; for h=1:height for w=1:width if I(h,w) <= thresh num1 = num1 + 1; h_T1 = h_T1 + I(h,w); end end end num2 = Size - num1;

方差 — 标准差

方差(Variance) [编辑] 什么是方差 方差和标准差是测度数据变异程度的最重要、最常用的指标。 方差是各个数据与其算术平均数的离差平方和的平均数，通常以σ2表示。方差的计量单位和量纲不便于从经济意义上进行解释，所以实际统计工作中多用方差的算术平方根——标准差来测度统计数据的差异程度。 标准差又称均方差，一般用σ表示。方差和标准差的计算也分为简单平均法和加权平均法，另外，对于总体数据和样本数据，公式略有不同。 [编辑] 方差的计算公式 设总体方差为σ2，对于未经分组整理的原始数据，方差的计算公式为： 对于分组数据，方差的计算公式为： 方差的平方根即为标准差，其相应的计算公式为： 未分组数据： 分组数据： [编辑]

样本方差和标准差 样本方差与总体方差在计算上的区别是：总体方差是用数据个数或总频数去除离差平方和，而样本方差则是用样本数据个数或总频数减1去除离差平方和，其中样本数据个数减1即n－1 称为自由度。设样本方差为，根据未分组数据和分组数据计算样本方差的公式分别为： 未分组数据： 分组数据： 未分组数据： 分组数据： 例:考察一台机器的生产能力，利用抽样程序来检验生产出来的产品质量，假设搜集的数据如下： 根据该行业通用法则：如果一个样本中的14个数据项的方差大于0.005，则该机器必须关闭待修。问此时的机器是否必须关闭？ 解：根据已知数据，计算

因此，该机器工作正常。 方差和标准差也是根据全部数据计算的，它反映了每个数据与其均值相比平均相差的数值，因此它能准确地反映出数据的离散程度。方差和标准差是实际中应用最广泛的离散程度测度值。 ?函数VAR假设其参数是样本总体中的一个样本。如果数据为整个样本总体，则应使用函数VARP来计算方差。 ?参数可以是数字或者是包含数字的名称、数组或引用。 ?逻辑值和直接键入到参数列表中代表数字的文本被计算在内。 ?如果参数是一个数组或引用，则只计算其中的数字。数组或引用中的空白单元格、逻辑值、文本或错误值将被忽略。 ?如果参数为错误值或为不能转换为数字的文本，将会导致错误。 ?如果要使计算包含引用中的逻辑值和代表数字的文本，请使用VARA 函数。 ?函数VAR 的计算公式如下： 其中x 为样本平均值AVERAGE(number1,number2,…)，n 为样本大小。 示例 假设有10 件工具在制造过程中是由同一台机器制造出来的，并取样为随机样本进行抗断强度检验。 如果将示例复制到一个空白工作表中，可能会更容易理解该示例。 STDEV(number1,number2,...) Number1,number2,...为对应于总体样本的 1 到255 个参数。也可以不使用这种用逗号分隔参数的形式，而用单个数组或对数组的引用。 注解 ?函数STDEV 假设其参数是总体中的样本。如果数据代表全部样本总体，则应该使用函数STDEVP来计算标准偏差。 ?此处标准偏差的计算使用“n-1”方法。

一维最大类间方差法

由Otsu(大津展之)于1978年提出的最大类间方差法，是引起较多关注的一种阈值选取方法。它是在判决分析或最小二乘原理的基础上推导出来的。 参考文献： [1] Otsu N. A threshold selection method from gray-level histogram. IEEE Trans,1979;SMC-9;62-66 下载地址 算法思想： 假设一幅图像有L个灰度级[1,2,…,L]。灰度级为i的像素点的个数为n i，那么总的像素点个数就应该为N=n1+n2+…+n L。为了讨论方便，我们使用归一化的灰度级直方图并且视为这幅图像的概率分布: 现在假设我们通过一个灰度级为k的门限将这些像素点划分为两类:C0和C1(背景和目标,或者反之亦然)；C0表示灰度级为[1,…,k]的像素点，C1表示灰度级为[k+1,…,L]的像素点。那么，每一类出现的概率以及各类的平均灰度级分别由下面的式子给出： 以及 其中，

分别为灰度级从1到k的累积出现概率和平均灰度级（一阶累积矩），而 是整幅图像的平均灰度级。我们可以很容易验证，对于任意选定的k，都有： 这两类的类内方差由下面的公式给出： 这需要二阶累积矩(second-order cumulative moment，统计学概念)。 为了评价(灰度级k)这个门限“好”的程度，我们需要引入判别式分析中使用的判别式标准来测量（类的分离性测量）： 其中：

又根据式(9)，可以得出： 这三个式子分别是类内方差、类间方差和灰度级的总方差。然后，我们的问题就简化为一个优化问题，即寻找一个门限k使(12)式中给出的一个目标函数取最大值。 这个观点是出于这样一个猜想，一个好的阈值将会把灰度级分为两类，那么反过来说，就是如果一个门限能够在灰度级上将图像分割为最好的两类的话，那么这个门限就是最好的门限。 上面给出的判别式标准是分别求取λ、κ和η的最大值。然而，对于κ而言，它又等于另外一个，比如κ=λ+1；而对于λ而言，又有η=λ/(λ+1)，因为始终存在下面的基本关系：

方差分析简介复习课程

方差分析简介 1. 引言 方差分析（analysis of variance，简称ANOV A）是一种假设检验方法，即基本思想可概述为：把全部数据的总方差分解成几部分，每一部分表示某一影响因素或各影响因素之间的交互作用所产生的效应，将各部分方差与随机误差的方差相比较,依据F分布作出统计推断，从而确定各因素或交互作用的效应是否显著。因为分析是通过计算方差的估计值进行的，所以称为方差分析。 方差分析的主要目标是检验均值间的差别是否在统计意义上显著。如果只比较两个均值，事实上方差分析的结果和t检验完全相同。只所以很多情况下采用方差分析，是因为它具有如下两个优点：（1）方差分析可以在一次分析中同时考察多个因素的显著性，比t检验所需的观测值少；（2）方差分析可以考察多个因素的交互作用。 方差分析的缺点是条件有些苛刻，需要满足如下条件：（1）各样本是相互独立的；（2）各样本数据来自正态总体（正态性：normality）；（3）各处理组总体方差相等（方差齐性：homogeneity of variance）。因此在作方差分析之前，要作正态性检验和方差齐性检验，如不满足上述要求，可考虑作变量变换。常用的变量变换方法有平方根变换，平方根反正弦变换、对数变换及倒数变换等。 方差分析在医药、制造业、农业等领域有重要应用，多用于试验优化和效果分析中。 2. 单因素方差分析 2.1 基本概念 （1）试验指标：在一项试验中，用来衡量试验效果的特征量称为试验指标，有时简称指标，也称试验结果，通常用y表示。它类似于数学中的因变量或目标函数。试验指标用数量表示称为定量指标，如速度、温度、压力、重量、尺寸、寿命、硬度、强度、产量和成本等。不能直接用数量表示的指标称为定性指标。如颜色，人的性别等。定性指标也可以转化为定量指标，方法是用不同的数表示不同的指标值。（2）试验因素：试验中，凡对试验指标可能产生影响的原因都称为因素(factor)，也称因子或元，类似于数学中的自变量。需要在试验中考察研究的因素，称为试验因素，有时也称为因素，通常用大写字母A、B、C、……表示。在试验中，有些因素能严格控制，称为可控因素；有些因素难以控制，称为不可控因素。试验因素是试验中的已知条件，能严格控制，所以是可控因素。通常把未被选作试验因素的可控因素和不可控因素都称为条件因素，统称为试验条件。 （3）因素水平：因素在试验中所处的各种状态或所取的不同值，称为该因素的水平(level)，也简称为水平或位级，通常用下标1、2、3、……表示。若一个因素取K种状态或K个值，就称该因素为K水平因素。因素的水平，有的可以取得具体值，如6Kg、10cm；有的只能取大致范围或某个模糊概念，如软、硬、大、小、好、较好等；但

二维最大类间方差阈值分割的快速迭代算法

二维最大类间方差阈值分割的快速迭代算法【摘要】传统的二维Otsu阈值分割算法采用穷举搜索法搜寻最佳阈值向量。与此不同，本文提出了一种二维最大类间方差阈值分割的快速迭代算法，用迭代的思想解决原始二维Otsu方法计算复杂、实时性差的问题。文中导出了迭代算法的公式，给出了算法流程。实验结果表明，与二维Otsu原始算法及其他两种快速算法相比较，本文提出的二维Otsu快速迭代算法分割结果准确，实现简单，其运行时间仅为原始算法的0.4%左右，大大减少了计算量和存储空间，是一种快速有效且实时性好的图像阈值分割算法。 【关键词】图像分割；二维最大类间方差； Otsu阈值；快速迭代 A fast iterative algorithm for image segmentation based on 2D maximum between cluster varianceWU Yiquan, WU Wenyi, PAN Zhe （College of Information Science and Technology, Nanjing University of Aeronautics and Astronautics,

Jiangsu Nanjing 210016, China） Abstract: The traditional two dimensional (2D) Otsu threshold algorithms for image segmentation always use exhaustive searching method for the best thresholds. In this paper, a fast iterative algorithm based on 2D maximum between cluster variance is proposed in order to improve the performance and efficiency of the original 2D Otsu threshold algorithms. The iterative formula is deduced and the algorithm flow chart is given in the paper. Experimental results show that the proposed algorithm has a good segmentation result compared to the original 2D Otsu algorithm and the other two fast methods. It can well reduce the storage space and the running time which is only 0.4% of that of the original method. Therefore, it is a fast and effective image segmentation algorithm with a good real time quality. Key words: image segmentation; 2D maximum between cluster variance; Otsu threshold; fast iterative 引言