大津算法——自动确定图像二值化的阈值

在进行图像二值化的操作中，我们往往要去去定一个阈值，像素值小于阈值的为背景，像素值大于背景的为前景。不同的阈值选择会产生出截然不同的二值化图像。因此，如何选取一个合适的阈值，是一个关键的问题。

大津算法，作为一个自动确定二值化阈值的算法，是从类内方差和类间方差的比值计算得来，各种方差的定义如下：

类内方差：${S_w}^2=w_0{S_0}^2+w_1{S_1}^2$
类间方差：${S_b}^2=w_0(M_0-M_t{)}^2+w_1(M_1-M_t{)}^2=w_0{w}_1(M_0-M_1{)}^2$
图像所有像素的方差：${S_t}^2={S_w}^2+{S_b}^2=\text{常数}$

在上式中，我们令小于阈值$t$的类记为$0$，大于阈值$t$的类记为$1$；
$w_0$和$w_1$是阈值$t$分开的两个类中的像素数占总像素数的比值（满足$w_0+w_1=1$）；
${S_0}^2$， ${S_1}^2$是这两个类中像素值的方差；
$M_0$，$M_1$是这两个类的像素值的平均值；

根据上面的式子，我们定义分离度$X$:

$$X=\frac{{S_b}^2}{{S_w}^2}=\frac{{S_b}^2}{{S_t}^2-{S_b}^2}$$

在上式中，我们希望最大化分离度$X$，即最大化类间方差${S_b}^2$，同时最小化类内方差${S_w}^2$。但由于类间方差与类内方差之和为常数，因此问题转化为最大化类间方差，也就是说：

$$\arg \underset{t}{\max }X=\arg \underset{t}{\max }{S_b}^2$$

因此，如果使${S_b}^2=w_0{w}_1(M_0-M_1{)}^2$最大，就可以得到最好的二值化阈值$t$。

代码实现

import cv2
import numpy as np

#将BGR图像转化为灰度图（opencv默认颜色通道为BGR）
def RGB2GRAY(img):
    b = img[:, :, 0]
    g = img[:, :, 1]
    r = img[:, :, 2]

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

    return out

#大津算法得到二值化图像
def otsu(img):
    max_sigma = 0
    max_t = 0

    for t in range(1, 255):
        v0 = img[img < t]
        m0 = np.mean(v0) if len(v0) else 0.
        w0 = len(v0) / (H*W)
        v1 = img[img >= t]
        m1 = np.mean(v1) if len(v1) else 0.
        w1 = len(v1) / (H * W)
        sigma = w0 * w1 * ((m0 - m1) ** 2)
        if sigma > max_sigma:
            max_sigma = sigma
            max_t = t

    print('t = ', max_t)
    img[img < max_t] = 0
    img[img >= max_t] = 255
    return img


img = cv2.imread('../imori.jpg').astype(np.float)
gray = RGB2GRAY(img)
H, W = gray.shape

out = otsu(gray)

cv2.imwrite('4.jpg', out)
cv2.imshow('otsu', out)
cv2.waitKey()
cv2.destroyAllWindows()