三维视觉之数字图像处理基础（四）

图像阈值分割

声明：本文为3D视觉开发者社区三维视觉原理与实践学习的笔记文件，仅供个人学习复习，详情可以观看官网视频：https://developer.orbbec.com.cn/v/lecture?tid=26

0 背景介绍

图像分割是一个经典的图像处理问题，是图像理解和识别的基础，在模式识别、计算机视觉、医学图像处理等领域中有着广泛的应用。其主要目的是将感兴趣目标从复杂背景区域中提取出来，以便进行目标识别和分析。
阈值分割技术是一种非常重要的图像分割技术，它以其简单、有效、便于理解的特性而得到了广泛的研究与应用。

1 图像二值化

当背景和前景的灰度分布差异很明显时，可以用单个阈值处理幅图像。
在大多数应用中，通常图像之间存在较大的变化，即使可以应用全局阈值方法，也需要对每幅图像自动估计出一个合适的阈值。

1.1 自动阈值算法

步骤：

(1)为全局阈值选择一个初始值T:
(2)用阈值T对图像进行分割，将图像分为2组像素：G1由灰度值大于T
的所有像素组成，G2由所有小于等于T的像素组成。
(3)对G1和G2分别计算平均灰度值m1和m2。
(4)计算一个新的阈值：T=(m1+m2)/2
(5)重复步骤2~4，直到相邻2次的T值之差小于预定的参数△T为止。

适用场景：当物体和背景的直方图之间存在一个相当清晰的波谷时，这个简单的算法工作得很好。下图直方图两个峰值之间有清晰的波谷。

1.2 Otsu最佳阈值处理(最大类间差方法)

Otsu算法，也叫最大类间方差法，是1979年由日本学者大津提出的（所以也叫大津法)，是一种自适应阈值确定的方法，是一种全局的二值化算法。
它是根据图像的灰度特性，将图像分为前景和背景两个部分。当取最佳阈值时，两部分之间的差别应该是最大的。在Otsu算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大。
当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小。
当所取阈值的分割使类间方差最大时，就意味着错分概率最小。
算法原理：
假设一幅尺寸为xW的图像中有1个不同的灰度级{0,1,2，…，L-1}，ni表示灰度级为i的像素个数，pi表示归一化的直方图的分量

选择一个阈值T=k(0<k<L-1),用它把图像阈值化为两类：C1(灰度值在区间[0,k])和C2（灰度值在区间[k+1,L-1])

上式中，P(i|C1)表示在C1类中像素值取到i的概率；在i条件下发生C1的概率：P(C1|i)为1，因为此时i属于C1。
贝叶斯公式：

Otsu最佳阈值处理（最大类间方差法）
全局方差和类间方差：

类间方差还可以写成：

类间方差的物理意义：
最大化类间方差，一方面可以使上式中m1-m2的值越大，表明两类灰度分布相差越大；另一方面可以使P1P2得乘积变大，P1P2关系如下图所示，二者乘积最大，即P1尽量接近0.5，此时C1和C2具有相同数量的像素点。整体意义：两个类的差异很大，同时两类的像素点数量基本相同

为了寻找最佳阈值k*，对k的所有整数值[0，255]，计算类间方差，选取使得类间方差最大的k值最为最佳阈值。
为了评价阈值k的质量，采用一个归一化的无量纲测度：

步骤：

例子：


用图像平滑改善全局阈值分割

上图第一行，直方图无明显波谷，则无法完成分割；第二行图片，直方图有明显的波谷，可以完成有效的分割。

用图像平滑改善全局阈值分割失败案例：
分析：大津法原理里面有P1P2的乘积，在面积比较接近的情况下，可以取得比较好的效果；下面图片的情况下，P1的值为非常小的数值，不适合用大津法进行自动阈值分析，

1.3 多阈值处理

二值化将图像分为前景、背景两类，大津法也可以扩展到多个类别，下面以三个类别为例描述扩展原理，多阈值处理主要考虑三个类别的情况：
（1）三个类别的类间方差定义：

上述公式中，mG表示全局灰度均值，
（2）找到最优的k1和k2：
两个最有阈值，将图像分为三个类别，计算所有k1k2组合计算最大类间方差，

例子：冰山图像分割

1.4 区域生长的图像分割算法

步骤：
（1）种子点选取；（2）生长条件；（3）生长停止条件。