「图像处理」Otus分割方法与基本的全局阈值处理附源码

1.Otsu法

otsu方法也叫做大津法、类间最大方差法

otsu方法的核心思想是假设一幅图像，这幅图像被分为了前景区域C1和背景区域C2，那么我们应该用什么样的思想推出最佳分割阈值？日本学者大津在197x年给出了他的答案。

otus假设存在阈值TH，将所有像素分割为前景C1和背景C2，接下来进行数学推导

TH：滑动开关，遍历0-255轴，记录出现的4个相关数据p1 p2 m1 m2 成为一个资料表
P1、P2：对应像素出现在C1、C2区域的概率
m1、m2：对应区域C1与C2平均像素值

最后利用TH生成的资料表，计算出图中3公式的值，也称为类间方差，这个值越大，说明被分割区域越清晰，otus方法暴力穷举了分割阈值TH，不需要人为给定参数，同时，也有多阈值分割的otus方法，缺点则是计算量大

import cv2 as cv
import numpy as np

def grayscale(img):
    r = img[:, :, 2].copy()
    g = img[:, :, 1].copy()
    b = img[:, :, 0].copy()

    out = 0.2126*r + 0.7152*g + 0.0722*b
    out = out.astype(np.uint8)

    return out




def otsu(img, th=0):
    max_th = 0
    max_sigma = 0

    for _x in range(1, 255):
        # 公式元素准备
        v0 = img[np.where(img < _x)]
        m0 = np.mean(v0) if len(v0) > 0 else 0.
        w0 = len(v0)/(h * w)

        v1 = img[np.where(img > _x)]
        m1 = np.mean(v1) if len(v0) > 0 else 0.
        w1 = len(v1)/(h * w)

        # 计算类间方差
        sigma = w0 * w1 * (m1 - m0)**2

        if sigma >= max_sigma:
            max_sigma = sigma
            max_th = _x

    print('the best threshould is: %d', max_th)
    print('the best sigma is: %d', max_sigma)
        # 阈值分割
    th = max_th
    img[img < th] = 0
    img[img >= th] = 128

    return img
#  run main

img  = cv.imread('your/path/jpg')
h, w, c = img.shape

out = grayscale(img).astype(np.float32)

img = otsu(out)
cv.imshow('otsu_method', img); cv.waitKey(0)

2.基本的全局阈值处理

基本全局阈值方法与otsu方法相似，只能处理没有光照渐变的图像
流程为：
1.选择T作为初始估计值；
2.利用T的取值将图像分为两个区域C1，C2；
3.计算两个区域的平均灰度f1、f2；
4.计算f0 = (f1 + f2)/2，得到新灰度值f0，进行判断是否f0<Ω，Ω为人为给定，若满足条件则停止计算，不满足则用f0再次计算；

最终的处理图片两幅看不出有什么变换，不过后一种方法需要人为给定开始条件与停止条件，有可能处理时停止条件永远也满足不了。

也有双峰法，找到灰度直方图的双峰最高点，记录这两个点的所在区间向下搜索，找到谷底对应的灰度值，以谷底为分割阈值，但是我觉得想让一张图片只出现两个驼峰，有点难，万一有很多驼峰分割起来会很麻烦。