图像二值化常用的方法

常用方法

方法	解释	优缺点
双峰法	物体和背景区别较大，可以分别形成波峰，这是选择双峰之间的波谷最为阈值	只能用于目标和背景的直方图没有重叠时
P参数法	知道目标占图像的比例，且目标偏暗，背景偏亮 $$min（|\frac{{\sum }_{t=0}^{T}p(t)}{m\ast n}-P|）$$ T:阈值 p(t):直方图 P:目标占图像的比例	用于固定分辨率下，目标所占整个图像比例已知的情况
最大类间方差法(Otsu)	基于整幅图的统计特性实现阈值自动选取的，基本思想是，用某一假定的灰度值t将图像的灰度分成两组，当两组的类间方差最大时，此灰度值就是图像二值化的最佳阈值。 $$\begin{array}{rlr}将数据分成两组则:& & \\ 两组图像个数在图像中所占比分比:& w_0=\sum _{i=0}^T{p}_i& w_1=\sum _{i=T+1}^{L-1}{p}_i=1-w_0\\ 平均灰度值：& u_0=\sum _{i=0}^{T}i{p}_i& u_1=\sum {i=T+1}^{L-1}i{p}_i\\ 图像总的平均灰度值：& u=w_0{u}_0+w_1{u}_1& \\ 类间方差：& g(t)=w_0(u_0-u{)}^2+w_1(u_1-u{)}^2=w_0{w}_1(u_0-u_1)& \\ 最佳阈值：& T=argmax(g(t))& \end{array}$$	当物体目标和背景灰度差不明显时，会出现无法忍受的大块黑色区域，甚至丢失整幅图像的信息
最大熵阈值法	$$\begin{array}{rl}直方图的熵的定义:& H=\sum _{i=0}^{L-1}i{p}_i\\ 目标(O)类：& \frac{p_i}{P_t},i=0,1,...,t，其中P_t=\sum _{i=0}^t{p}_i\\ 背景(B)类：& \frac{p_i}{1-p_t},i=t+1,...,L-1\\ 目标类的熵:& H_O(t)=\sum _{i=0}^t\frac{p_i}{P_t}\ln \frac{p_i}{P_t}=\ln P_t+\frac{H_t}{P_t},其中H_t=-\sum _{i=0}t{p}_i\ln p_i\\ 背景类的熵：& H_B(t)=\sum _{i=t+1}^{L-1}\frac{p_i}{1-P_t}\ln \frac{p_i}{1-P_t}=\ln 1-P_t+\frac{H-H_t}{1-P_t},其中H=-\sum _{i=0}L-1p_i\ln p_i\\ 图像的总熵:& H(t)=H_O(t)+H_B(t)=\ln P_t\ast (1-P_t)+\frac{H_t}{P_t}+\frac{H-H_t}{1-P_t}\\ 求最佳阈值:& T=argmax(H(t))\end{array}$$	对于非理想双峰直方图也可以进行很好的分割，缺点是运算速度慢不适合实时，仅仅考虑像素点的灰度信息，没有考虑像素点的空间信息，所以当图像的信噪比较低时，分割效果不理想。
迭代法	$$\begin{array}{rl}1& 选取初始阈值T(j),通常可以选择整幅图的平均灰度值作为初始阈值，j为迭代次数，初始时，j=0\\ 2& 用T(j)分割图像，将图像分为2个区域C_1^{(j)和C_2^{(i)}}\\ 3.& 计算平均灰度值:u_1=\frac{1}{N{1}_{(}j)}\sum _{f(x,y)\in C_1^j}f(x,y)u_2=\frac{1}{N{2}_{(}j)}\sum _{f(x,y)\in C_2^j}f(x,y)\\ & 其中：N_1^{(j)},N_2^j属于第j次迭代时区域C1和C2的像素点数，f(x,y)表示图中(x,y)点的灰度值\\ 4.& 计算新的阈值T(j+1)=\frac{u_1^{(j)}+u_2^{(j)}}{2}\\ 5.& 令j=j+1,重复2-4，直到T(j+1)和T(j)的差小于规定值或j达到最大迭代次数\end{array}$$

参考链接：https://wenku.baidu.com/view/acc24dcf680203d8ce2f2469.html