Otsu算法理解
L : 灰 度 级 ( 0 ∼ 255 为 256 个 灰 度 级 ) L: 灰度级(0\sim255为256个灰度级) L:灰度级(0∼255为256个灰度级)
n i : 表 示 灰 度 级 为 i 的 像 素 个 数 n_i: 表示灰度级为i的像素个数 ni:表示灰度级为i的像素个数
M N : 图 像 的 像 素 MN:图像的像素 MN:图像的像素,即
M N = n 0 + n 1 + n 2 + . . . + n L − 1 = h i g h ∗ w i d e \begin{aligned} MN&=n_0+n_1+n_2+...+n_{L-1} \\ &=high*wide \end{aligned} MN=n0+n1+n2+...+nL−1=high∗wide
则当直方图归一化后有分量 p i = n i / M N p_i=n_i/MN pi=ni/MN即每个灰度级在全图中所占的比重,则有
∑ i = 0 L − 1 p i = 1 , p i ≥ 0 (1) \sum_{i=0}^{L-1}p_i = 1,\quad p_i\geq 0 \tag{1} i=0∑L−1pi=1,pi≥0(1)
然后我们假设我们有一个阈值 T ( k ) = k , 0 < k < L − 1 T(k) = k,0<k<L-1 T(k)=k,0<k<L−1,将直方图分为 C 1 C_1 C1, C 2 C_2 C2两个部分,则某一像素在 C 1 C_1 C1中的概率 P 1 ( k ) P_1(k) P1(k)如下
P 1 ( k ) = ∑ i = 0 k p i (2) P_1(k)=\sum_{i=0}^{k}{p_i}\tag{2} P1(k)=i=0∑kpi(2)
同样的在 C 2 C_2 C2中的概率 P 2 ( k ) P_2(k) P2(k)为
P 2 ( k ) = ∑ i = k + 1 L −