OTsu's 最大类间方差算法

参考：
[otsu （大津算法）]

http://blog.csdn.net/u010128736/article/details/52801310

一、背景

在理想情况下，直方图在代表目标和背景的两个峰值之间有一个深而尖的谷，因此可以在这个山谷的底部选择阈值。
然而，对于大多数真实的图片，往往很难准确地探测谷底，尤其是在山谷平坦、宽阔、充满噪音、或两个山峰高度极不相等时，往往没有可追踪的山谷。

二、方法

一种非参数无监督的图像阈值自动选取方法。通过判别准则选择最优阈值，即最大化灰度值中所得类的可分性。程序很简单，利用只有零和灰度直方图的一阶累积矩。
它是按图像的灰度特性,将图像分成背景和目标2部分。背景和目标之间的类间方差越大,说明构成图像的2部分的差别越大,当部分目标错分为背景或部分背景错分为目标都会导致2部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。

三、实现过程：

Python3.6
1.统计图像灰度直方图hist数组
2.计算图像最大类间方差
3.根据计算出的最佳阈值进行二值化操作

Python代码如下：

#coding:utf-8
import cv2
import numpy as np
from matplotlib import pyplot as plt

image = cv2.imread("c:\\users\\hualili\\Desktop\\2.png")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

plt.subplot(131), plt.imshow(image, "gray")
plt.title("source image"), plt.xticks([]), plt.yticks([])
plt.subplot(132), plt.hist(image.ravel(), 256)
plt.title("Histogram"), plt.xticks([]), plt.yticks([])
ret1, th1 = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)  #方法选择为THRESH_OTSU
plt.subplot(133), plt.imshow(th1, "gray")
plt.title("OTSU,threshold is " + str(ret1)), plt.xticks([]), plt.yticks([])
plt.show()

效果图如下：