【图像处理】 最大类间方差算法（Otus算法）

Otsu算法的原理

最大类间方差法（Otus算法），可以自动的选取二值化的阈值。
它的原理如下：

1. 假设一副灰度图有$L$个灰度级，即$[1,2,3,...L]$ ，灰度级为$i$的像素点有$n_i$个，那么总的像素点个数$N=n_1+n_2+...+n_l$。那么一个像素点灰度级为$i$的概率为：$p_i=\frac{n_i}{N}(p_i>0，\sum _{i=1}^L{p}_i=1)$。
2. 现在假设通过一个灰度级$k$将这些像素点划分为两类$C_0$和$C_1$，$[1,2,...k]$是$C_0$，二值化为$0$。$[k+1,k+2,...L]$是$C_1$，二值化为$255$。Otsu算法就是自动的找到这个算法认为的最优的阈值$k$。
3. $C_0$和$C_1$两类，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：
   ${\omega }_0=P_r(C_0)=C_0类出现的概率=\sum _{i=1}^k{p}_i=\omega (k)$
   ${\omega }_1=P_r(C_1)=C_1类出现的概率=\sum _{i=k+1}^L{p}_i=1-\omega (k)$
   ${\mu }_0=\sum _{i=1}^{k}i\ast P_r(i|C_0)=\sum _{i=1}^{k}i\ast \frac{p_i}{{\omega }_0}=C_0类的平均灰度级=\frac{\mu (k)}{\omega (k)}$
   ${\mu }_1=\sum _{i=k+1}^{L}i\ast P_r(i|C_1)=\sum _{i=k+1}^{L}i\ast \frac{p_i}{{\omega }_1}=C_1类的平均灰度级=\frac{{\mu }_T-\mu (k)}{1-\omega (k)}$
   其中：
   $\mu (k)=\sum _{i=1}^{k}i\ast p_i$，是$1到k$的平均灰度级。
   ${\mu }_T=\sum _{i=1}^{L}i\ast p_i$，是整幅图的平均灰度级。
4. 容易验证：
   ${\omega }_0{\mu }_0+{\omega }_1{\mu }_1={\mu }_T$，${\omega }_0+{\omega }_1=1$
5. $C_0$和$C_1$各自的类内方差如下：
   ${\sigma }_0^2=\sum _{i=1}^k(i-{\mu }_0{)}^2{P}_r(i|C_0)=\sum _{i=1}^k(i-{\mu }_0{)}^2\frac{p_i}{{\omega }_0}$
   ${\sigma }_1^2=\sum _{i=k+1}^L(i-{\mu }_1{)}^2{P}_r(i|C_1)=\sum _{i=k+1}^L(i-{\mu }_1{)}^2\frac{p_i}{{\omega }_1}$
6. 所以整幅图片的类内方差，两个类的类间方差，图片的总方差，分别如下：
   ${\sigma }_W^2=整幅图片的类内方差={\omega }_0{\sigma }_0^2+{\omega }_1{\sigma }_1^2$
   ${\sigma }_B^2=两个类的类间方差={\omega }_0({\mu }_0-{\mu }_T{)}^2+{\omega }_1({\mu }_1-{\mu }_T{)}^2$
   跟据4.中两个等式，可以将${\sigma }_B^2$化简为${\omega }_0{\omega }_1({\mu }_1-{\mu }_0{)}^2$
   ${\sigma }_T^2=图片的总方差=\sum _{i=1}^L(i-{\mu }_T{)}^2{p}_i$
7. 因为${\sigma }_T^2$与$k$无关。${\sigma }_W^2$是二阶统计（类方差），而${\sigma }_B^2$是一阶统计（类均值）。所以${\sigma }_B^2$，即类间方差是最简单的判断$k$选取好坏的评判标准。
8. 所以Otus算法遍历$k$，最后选取使${\sigma }_B^2$最大的$k$作为阈值。

opencv中的Otsu算法

_, img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 在python opencv的二值化函数cv.threshold中，通过最后的参数选择使用Otus算法
# 第一个输入是输入的灰度图像
# 第二个参数是阈值，因为这个由算法自动选择，所以填0
# 第三个参数是最大值，即大于阈值的像素点都等于这个值，小于阈值的都是0
# 第一个返回值就是所取的阈值，如果不用Otus算法，第一个返回值也是我们选取的阈值
# 第二个返回值是二值图

结语

如果您有修改意见或问题，欢迎留言或者通过邮箱和我联系。
如果我的文章对您有帮助，转载请注明出处。