最大类间方差法(大津法，OTSU)

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为目标都会导致2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。对于图像I(x,y),前景(即目标)和背景的分割阈值记作$\mathcal T$,属于前景的像素点数占整幅图像的比例记为$\omega_1$ ,其平均灰度$\mathcal{u_1}$ ;背景像素点数占整幅图像的比例为$\omega_2$ ,其平均灰度为$\mathcal{u_2}$ 。图像的总平均灰度记为$\mathcal{u}$ ,类间方差记为$\mathcal{g}$ 。
假设图像的背景较暗,并且图像的大小为$\mathcal{M}\times\mathcal{N}$ ,图像中像素的灰度值小于阈值 $\mathcal{T}$的像素个数记作$\mathcal{N_1}$ ,像素灰度大于阈值 $\mathcal{T}$的像素个数记作$\mathcal{N_2}$ ,则有:

$$\omega_1 = \frac {\mathcal{N_1}}{\mathcal{M}\times\mathcal{N}}\tag{1.1}$$
$$\omega_2=\frac{\mathcal{N_2}}{\mathcal{M}\times\mathcal{N}}\tag{1.2}$$
$$\mathcal{N_1}+\mathcal{N_2} = \mathcal{M}\times\mathcal{N}\tag{1.3}$$
$$\mathcal{U} = \omega_1\times\mathcal{u_1}+\omega_2\times\mathcal{u_2}\tag{1.4}$$
$$\mathcal{g} = \omega_1\times{(\mathcal{u}-\mathcal{u_1})^2}+\omega_2\times{(\mathcal{u}-\mathcal{u_2})^2}\tag{1.5}$$
将式(1.5)代入式(1.6),得到等价公式:
$$\mathcal{g} = \omega_1\times\omega_2\times(\mathcal{u_1}-\mathcal{u_2})^2\tag{1.7}$$
采用遍历的方法得到使类间方差最大的阈值 $\mathcal{T}$ ,即为所求。

OpenCV代码:

int myOtsu(const IplImage *frame) //大津法求阈值
{

#define GrayScale 256 //frame灰度级

    int width = frame->width;
    int height = frame->height;
    int pixelCount[GrayScale]={0};
    float pixelPro[GrayScale]={0};
    int i, j, pixelSum = width * height, threshold = 0;
    uchar* data = (uchar*)frame->imageData;

    //统计每个灰度级中像素的个数
    for(i = 0; i < height; i++)
    {
        for(j = 0;j < width;j++)
        {
            pixelCount[(int)data[i * width + j]]++;
        }
    }

    //计算每个灰度级的像素数目占整幅图像的比例
    for(i = 0; i < GrayScale; i++)
    {
        pixelPro[i] = (float)pixelCount[i] / pixelSum;
    }

    //遍历灰度级[0,255],寻找合适的threshold
    float w0, w1, u0tmp, u1tmp, u0, u1, deltaTmp, deltaMax = 0;
    for(i = 0; i < GrayScale; i++)
    {
        w0 = w1 = u0tmp = u1tmp = u0 = u1 = deltaTmp = 0;
        for(j = 0; j < GrayScale; j++)
        {
            if(j <= i)   //背景部分
            {
                w0 += pixelPro[j];
                u0tmp += j * pixelPro[j];
            }
            else   //前景部分
            {
                w1 += pixelPro[j];
                u1tmp += j * pixelPro[j];
            }
        }
        u0 = u0tmp / w0;
        u1 = u1tmp / w1;
        deltaTmp = (float)(w0 *w1* pow((u0 - u1), 2)) ;
        if(deltaTmp > deltaMax)
        {
            deltaMax = deltaTmp;
            threshold = i;
        }
    }
    return threshold;
}

参考文献：Nobuyuki Otsu发表的原文
“A Threshold Selection Method from Gray-Level Histograms,” Systems, Man and Cybernetics, IEEE Transactions on , vol.9, no.1, pp.62-66, Jan. 1979