阈值分割-直方图阈值分割法

方法简介

    直方图阈值分割法适用于直方图为双峰的图像，通过找到直方图中的两个峰值，即前景和背景的灰度分布峰值，然后选取两个峰值之间的波谷对应的灰度值作为阈值，以此来分离前景和背景。

实现步骤

1、计算图像的灰度直方图。
2、 对直方图进行平滑处理，以便于识别波峰和波谷。
3、识别直方图中的第一个峰值（前景）和第二个峰值（背景）。
4、找到两个峰值之间的波谷，对应的灰度值即为阈值。
5、使用该阈值对图像进行二值化处理。

示例说明

    假设有一幅图像，其直方图呈现出明显的双峰特性，一个峰值对应于前景，另一个峰值对应于背景。通过直方图阈值分割法，我们可以找到一个阈值，使得前景和背景能够有效分离。

    示例图1

    如图所示，为一幅道路裂缝图像：

 如下图所示，为该道路裂缝图像的灰度直方图，记为原始灰度直方图，通过步骤1得到。

如下图所示，为该原始灰度直方图通过平滑后的直方图，通过步骤2得到。

如下图所示，为算法识别得到的波峰，红色的倒三角表示函数找到的局部最大值，通过步骤2得到。

如下图所示，为算法得到的分割阈值。 在得到多个局部最大值的基础上，本文通过在两个最大的波峰之间寻找直方图的最小值，进而得到了分割阈值，通过步骤4得到

 如下图所示，为通过该分割阈值得到的二值图像，即提取得到了裂缝区域。

对应代码

    以下是使用Python和OpenCV实现直方图阈值分割的示例代码：
```python
import numpy as np
import cv2

def calc_gray_hist(image):
    rows, cols = image.shape[:2]
    gray_hist = np.zeros([256], np.uint64)
    for i in range(rows):
        for j in range(cols):
            gray_hist[image[i][j]] += 1
    return gray_hist

def threshold_two_peak(image):
    histogram = calc_gray_hist(image)
    maxLoc = np.where(histogram==np.max(histogram))[0][0]
    firstPeak = maxLoc[0]
    measureDists = np.zeros([256], np.float32)
    for k in range(256):
        measureDists[k] = (k-firstPeak)**2 * histogram[k]
    maxLoc2 = np.where(measureDists==np.max(measureDists))[0][0]
    secondPeak = maxLoc2[0]
    thresh = 0
    if firstPeak > secondPeak:
        temp = histogram[int(secondPeak):int(firstPeak)]
        minLoc = np.where(temp==np.min(temp))[0][0]
        thresh = secondPeak + minLoc + 1
    else:
        temp = histogram[int(firstPeak):int(secondPeak)]
        minLoc = np.where(temp==np.min(temp))[0][0]
        thresh = firstPeak + minLoc + 1
    threshImage = image.copy()
    threshImage[threshImage>thresh] = 255
    threshImage[threshImage<=thresh] = 0
    return thresh, threshImage

# 读取图像
img = cv2.imread("path_to_image", 0)
thresh, threshImg = threshold_two_peak(img)
cv2.imwrite('thresholded_image.jpg', threshImg)
cv2.imshow('Thresholded Image', threshImg)
cv2.waitKey(0)
```

改进方法

1、**高斯平滑**：在计算直方图之前，对图像进行高斯平滑处理，以减少噪声对阈值选取的影响。
2、**自适应阈值**：在不同的图像区域使用不同的阈值，这种方法对于光照不均匀的图像特别有效。
3、 **Otsu方法**：Otsu方法是一种自动确定阈值的方法，它通过最大化类间方差来确定最优阈值。
4、 **熵方法**：基于图像熵的方法，通过最大化图像的信息熵来确定阈值，这种方法适用于具有不均匀直方图的图像。

通过这些改进方法，可以提高直方图阈值分割法在不同图像条件下的鲁棒性和准确性。