大津法是一种图像灰度自适应的阈值分割算法,是1979年由日本学者大津提出,并由他的名字命名的。大津法按照图像上灰度值的分布,将图像分成背景和前景两部分看待,前景就是我们要按照阈值分割出来的部分。背景和前景的分界值就是我们要求出的阈值。遍历不同的阈值,计算不同阈值下对应的背景和前景之间的类内方差,当类内方差取得极大值时,此时对应的阈值就是大津法(OTSU算法)所求的阈值。

何为类间方差?


对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。

假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:

      ω0=N0/ M×N    (1)

      ω1=N1/ M×N    (2)

      N0+N1=M×N    (3)

      ω0+ω1=1    (4)

      μ=ω0*μ0+ω1*μ1 (5)

      g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)

将式(5)代入式(6),得到等价公式:

      g=ω0ω1(μ0-μ1)^2   (7) 这个就是类间方差的公式表述

采用遍历的方法得到使类间方差g最大的阈值T,即为所求。

Otsu实现思路

1. 计算0~255各灰阶对应的像素个数,保存至一个数组中,该数组下标是灰度值,保存内容是当前灰度值对应像素数

2. 计算背景图像的平均灰度、背景图像像素数所占比例

3. 计算前景图像的平均灰度、前景图像像素数所占比例

4. 遍历0~255各灰阶,计算并寻找类间方差极大值

C++代码实现:

#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/core/core.hpp>
#include <iostream> using namespace cv;
using namespace std; //***************Otsu算法通过求类间方差极大值求自适应阈值******************
int OtsuAlgThreshold(const Mat image); int main(int argc,char *argv[])
{
Mat image=imread(argv[1]);
imshow("SoureImage",image);
cvtColor(image,image,CV_RGB2GRAY);
Mat imageOutput;
Mat imageOtsu;
int thresholdValue=OtsuAlgThreshold(image);
cout<<"类间方差为: "<<thresholdValue<<endl;
threshold(image,imageOutput,thresholdValue,255,CV_THRESH_BINARY);
threshold(image,imageOtsu,0,255,CV_THRESH_OTSU); //Opencv Otsu算法
//imshow("SoureImage",image);
imshow("Output Image",imageOutput);
imshow("Opencv Otsu",imageOtsu);
waitKey();
return 0;
}
int OtsuAlgThreshold(const Mat image)
{
if(image.channels()!=1)
{
cout<<"Please input Gray-image!"<<endl;
return 0;
}
int T=0; //Otsu算法阈值
double varValue=0; //类间方差中间值保存
double w0=0; //前景像素点数所占比例
double w1=0; //背景像素点数所占比例
double u0=0; //前景平均灰度
double u1=0; //背景平均灰度
double Histogram[256]={0}; //灰度直方图,下标是灰度值,保存内容是灰度值对应的像素点总数
uchar *data=image.data;
double totalNum=image.rows*image.cols; //像素总数
//计算灰度直方图分布,Histogram数组下标是灰度值,保存内容是灰度值对应像素点数
for(int i=0;i<image.rows;i++) //为表述清晰,并没有把rows和cols单独提出来
{
for(int j=0;j<image.cols;j++)
{
Histogram[data[i*image.step+j]]++;
}
}
for(int i=0;i<255;i++)
{
//每次遍历之前初始化各变量
w1=0; u1=0; w0=0; u0=0;
//***********背景各分量值计算**************************
for(int j=0;j<=i;j++) //背景部分各值计算
{
w1+=Histogram[j]; //背景部分像素点总数
u1+=j*Histogram[j]; //背景部分像素总灰度和
}
if(w1==0) //背景部分像素点数为0时退出
{
break;
}
u1=u1/w1; //背景像素平均灰度
w1=w1/totalNum; // 背景部分像素点数所占比例
//***********背景各分量值计算************************** //***********前景各分量值计算**************************
for(int k=i+1;k<255;k++)
{
w0+=Histogram[k]; //前景部分像素点总数
u0+=k*Histogram[k]; //前景部分像素总灰度和
}
if(w0==0) //前景部分像素点数为0时退出
{
break;
}
u0=u0/w0; //前景像素平均灰度
w0=w0/totalNum; // 前景部分像素点数所占比例
//***********前景各分量值计算************************** //***********类间方差计算******************************
double varValueI=w0*w1*(u1-u0)*(u1-u0); //当前类间方差计算
if(varValue<varValueI)
{
varValue=varValueI;
T=i;
}
}
return T;
}

原图像:

该幅图像计算出来的大津阈值是104;

用这个阈值分割的图像:

跟Opencv threshold方法中使用CV_THRESH_OTSU参数计算出来的分割图像一致:

直方图直观理解

大津算法可以从图像直方图上有一个更为直观的理解:大津阈值大致上是直方图两个峰值之间低谷的值。

对上述代码稍加修改,增加画出直方图部分:

#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/core/core.hpp>
#include <iostream> using namespace cv;
using namespace std; //***************Otsu算法通过求类间方差极大值求自适应阈值******************
int OtsuAlgThreshold(const Mat image); int main(int argc,char *argv[])
{
Mat image=imread(argv[1]);
imshow("SoureImage",image);
cvtColor(image,image,CV_RGB2GRAY);
Mat imageOutput;
Mat imageOtsu;
int thresholdValue=OtsuAlgThreshold(image);
cout<<"类间方差为: "<<thresholdValue<<endl;
threshold(image,imageOutput,thresholdValue,255,CV_THRESH_BINARY);
threshold(image,imageOtsu,0,255,CV_THRESH_OTSU); //Opencv Otsu算法
//imshow("SoureImage",image);
imshow("Output Image",imageOutput);
imshow("Opencv Otsu",imageOtsu);
waitKey();
return 0;
}
int OtsuAlgThreshold(const Mat image)
{
if(image.channels()!=1)
{
cout<<"Please input Gray-image!"<<endl;
return 0;
}
int T=0; //Otsu算法阈值
double varValue=0; //类间方差中间值保存
double w0=0; //前景像素点数所占比例
double w1=0; //背景像素点数所占比例
double u0=0; //前景平均灰度
double u1=0; //背景平均灰度
double Histogram[256]={0}; //灰度直方图,下标是灰度值,保存内容是灰度值对应的像素点总数
int Histogram1[256]={0};
uchar *data=image.data;
double totalNum=image.rows*image.cols; //像素总数
//计算灰度直方图分布,Histogram数组下标是灰度值,保存内容是灰度值对应像素点数
for(int i=0;i<image.rows;i++) //为表述清晰,并没有把rows和cols单独提出来
{
for(int j=0;j<image.cols;j++)
{
Histogram[data[i*image.step+j]]++;
Histogram1[data[i*image.step+j]]++;
}
} //***********画出图像直方图********************************
Mat image1(255,255,CV_8UC3);
for(int i=0;i<255;i++)
{
Histogram1[i]=Histogram1[i]%200;
line(image1,Point(i,235),Point(i,235-Histogram1[i]),Scalar(255,0,0),1,8,0);
if(i%50==0)
{
char ch[255];
sprintf(ch,"%d",i);
string str=ch;
putText(image1,str,Point(i,250),1,1,Scalar(0,0,255));
}
}
//***********画出图像直方图******************************** for(int i=0;i<255;i++)
{
//每次遍历之前初始化各变量
w1=0; u1=0; w0=0; u0=0;
//***********背景各分量值计算**************************
for(int j=0;j<=i;j++) //背景部分各值计算
{
w1+=Histogram[j]; //背景部分像素点总数
u1+=j*Histogram[j]; //背景部分像素总灰度和
}
if(w1==0) //背景部分像素点数为0时退出
{
break;
}
u1=u1/w1; //背景像素平均灰度
w1=w1/totalNum; // 背景部分像素点数所占比例
//***********背景各分量值计算************************** //***********前景各分量值计算**************************
for(int k=i+1;k<255;k++)
{
w0+=Histogram[k]; //前景部分像素点总数
u0+=k*Histogram[k]; //前景部分像素总灰度和
}
if(w0==0) //前景部分像素点数为0时退出
{
break;
}
u0=u0/w0; //前景像素平均灰度
w0=w0/totalNum; // 前景部分像素点数所占比例
//***********前景各分量值计算************************** //***********类间方差计算******************************
double varValueI=w0*w1*(u1-u0)*(u1-u0); //当前类间方差计算
if(varValue<varValueI)
{
varValue=varValueI;
T=i;
}
}
//画出以T为阈值的分割线
line(image1,Point(T,235),Point(T,0),Scalar(0,0,255),2,8);
imshow("直方图",image1);
return T;
}

为显示清晰,本次使用一幅对比明显的灰度图:

OTSU分割效果:

对应阈值和直方图:

以上图像黑白对比度非常明显,从直方图上也可以看到只有两个波峰,求得的OTSU阈值为102。

上图中红色的竖线标识出了OTSu阈值分割线,显见,阈值大致位于两个波峰的低谷之间。

自适应阈值分割—大津法(OTSU算法)C++实现的更多相关文章

  1. 大津法---OTSU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 ...

  2. 自适应阈值二值化之最大类间方差法(大津法,OTSU)

    最大类间方差法是由日本学者大津(Nobuyuki Otsu)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU.它是按图像的灰度特性,将图像分成背景和目标2部分.背景和目标之间 ...

  3. OSTU大津法图像分割

    OSTU图像分割 最大类间方差法,也成大津法OSTU,它是按图像的灰度特性,将图像分成背景和目标2部分.背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分 ...

  4. OTSU大津法对图像二值化

    OTSU算法 (1)原理: 对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于背景的像素个数占整幅图像的比例记为ω0,其平均灰度μ0:前景像素个数占整幅图像的比例为ω1,其平均灰度为μ1 ...

  5. opencv python 图像二值化/简单阈值化/大津阈值法

    pip install matplotlib 1简单的阈值化 cv2.threshold第一个参数是源图像,它应该是灰度图像. 第二个参数是用于对像素值进行分类的阈值, 第三个参数是maxVal,它表 ...

  6. 图像二值化----otsu(最大类间方差法、大津算法)

    最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津 法,简称OTSU.它是按图像的灰度特性,将图像分成背景和目标2部分.背景和目标之间的类间方差越大,说明构成图像 ...

  7. 基于Otsu算法的图像自适应阈值切割

    在图像处理实践中,将灰度图转化为二值图是非经常见的一种预处理手段. 在Matlab中,能够使用函数BW = im2bw(I, level)来将一幅灰度图 I.转化为二值图. 当中.參数level是一个 ...

  8. Wellner 自适应阈值二值化算法

    参考文档: Adaptive Thresholding for the DigitalDesk.pdf       Adaptive Thresholding Using the Integral I ...

  9. 七种常见阈值分割代码(Otsu、最大熵、迭代法、自适应阀值、手动、迭代法、基本全局阈值法)

    http://blog.csdn.net/xw20084898/article/details/17564957 一.工具:VC+OpenCV 二.语言:C++ 三.原理 otsu法(最大类间方差法, ...

随机推荐

  1. python 之 sqlite3

    # -*- coding: utf-8 -*- ''' 创建数据库日志,三列为时间 身份证号和备注名''' import os import sys import sqlite3 import dat ...

  2. Python标准库os

    如果你希望自己的程序能够与平台无关的话,这个模块至关重要. os.name #'nt' for windows, 'posix' for linux/unix os.getcwd() #get cur ...

  3. Discuz 首页图文列表实现

    <div id="shoucang"> <!--{eval $list_count=0;}--> <!--{loop $threadlist $thr ...

  4. PAT 1108 Finding Average

    The basic task is simple: given N real numbers, you are supposed to calculate their average. But wha ...

  5. PAT 1100. Mars Numbers

    People on Mars count their numbers with base 13: Zero on Earth is called "tret" on Mars. T ...

  6. 几个有用的shell命令

    1.!$ 是一个特殊的环境变量,它代表了上一个命令的最后一个字符串.如:你可能会这样: $mkdir mydir$mv mydir yourdir$cd yourdir 可以改成: $mkdir my ...

  7. Entity Framework Connection String不保留密码的方法

    添加Entity Data Model的时候,到最后一步,有两个radio box: 如果选择include sensitive data,虽然很方便,但是在web.config或者app.confi ...

  8. Grails里的集成测试代码试例

    测试的命令,3和2不一样了,要找找.. User.groovy package com.grailsinaction class User { String loginId String passwo ...

  9. 洛谷 P3184 [USACO16DEC]Counting Haybales数草垛

    P3184 [USACO16DEC]Counting Haybales数草垛 题目描述 Farmer John has just arranged his NN haybales (1 \leq N ...

  10. [转]C#综合揭秘——深入分析委托与事件

    引言 本篇文章将为你介绍一下 Delegate 的使用方式,逐渐揭开 C# 当中事件(Event)的由来,它能使处理委托类型的过程变得更加简单.还将为您解释委托的协变与逆变,以及如何使用 Delega ...