opencv-最大类间方差法改进算法

现有的阈值分割方法例如最大类间方差阈值分割、迭代法阈值分割对于光斑图像分割的效果都不理想。通过研究得出，光斑图像具有背景暗而目标亮，背景面积大而目标面积小特点， 并结合大津阈值分割的思想， 本文提出了一种针对光斑图像的阈值分割方法。以背景和目标的类间方差最大，类内方差最小，背景与目标的面积比最大作为判定准则。设一幅图像的灰度值为0~m-1 级，图像中灰度值为i 的像素的个数为ni，用阈值T 将其分成两组C0={0~T-1}为背景（暗），C1={T~m-1}为目标（亮）。

像素总数：各值的概率：背景概率：

目标概率：背景平均值：目标平均值：

全部采样的灰度平均值：两组间的方差：

背景区类内方差：目标区类内方差：

背景与目标出现的概率比：

准则函数为：

代码实现：(准则函数的求解公式推导过程比较麻烦，并且代码里没有展示中间变量是因为w和1-w可能极小造成的输出无效，所以写成综合式。

int otsu(IplImage* src)  
{      
    int histSize = 256;    //直方图尺寸    
    int histHeight = 256;    
    float range[] = {0,255};  //灰度级的范围    
    float* ranges[]={range};    
    //创建一维直方图，统计图像在[0 255]像素的均匀分布    
    CvHistogram* grayHist = cvCreateHist(1,&histSize,CV_HIST_ARRAY,ranges,1);    
    //计算灰度图像的一维直方图    
    cvCalcHist(&src,grayHist,0,0);    
    //归一化直方图    
    cvNormalizeHist(grayHist,1.0);    
         
    int threshold = 0;  
    double delta1 = 0, delta2 = 0;
	double firstMoment = 0, secondMoment = 0;
	double  variance = 0;
	for(int m=0; m<256; m++)
	{
		firstMoment += cvQueryHistValue_1D(grayHist,m)*m;              //图像一阶距
		secondMoment += pow(m,2)*cvQueryHistValue_1D(grayHist,m);      //图像二阶距
	}

	double u = 0, w = 0; 
    for(int k=0; k<256; k++)  
    {  
            
        u += cvQueryHistValue_1D(grayHist,k)*k;   //  
        w += cvQueryHistValue_1D(grayHist,k);      //灰度大于阈值k的像素的概率  

		double t = firstMoment * w - u;
		double delta1 = t * t / (w * (1 - w) );     //类间方差
		
		delta2 = ((pow(u,2)/w + pow(firstMoment-u,2)/(1-w)) - pow(k-u/w,2)*cvQueryHistValue_1D(grayHist,k))/(1-w); //目标区内方差


		double  varianceTmp = (w/(1-w)*delta1)/(pow(k-u/w,2)*cvQueryHistValue_1D(grayHist,k)+(1-w)*delta2);        //准则函数

        if(varianceTmp > variance)  
        {  
            variance = varianceTmp;  
            threshold = k;  
        }  
    } 
	cvReleaseHist(&grayHist);
    return threshold;   
}