图像处理 5-图像分割/二值化

图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

最大类间方差法（大津法）

原理介绍：
记$T$为前景与背景的分割阈值，前景点数占图像比例为$w_0$，其均值为$u_0$,背景点数占图像比例为$w_1$，均值为$u_1$，有如下公式(1),根据方差的定义，有第二个公式。

$$\begin{array}{c}u=w_0\times u_0+w_1\times u_1\\ g=w_0\times {\left(u_0-u\right)}^2+w_1\times {\left(u_1-u\right)}^2\\ g=w_0\times w_1\times {\left(u_0-u_1\right)}^2\\ g=\frac{w_0}{1-w_0}\times {\left(u_0-u\right)}^2\end{array}$$
所以根据最后一条公式遍历一下图片的像素值，使$g$的值最大就可得出最大类间方差法的阈值$T$。

自适应阈值分割法

前面介绍了OTSU算法，但这算法属于全局阈值法，所以对于某些光照不均的图像，这种全局阈值分割的方法会显得苍白无力，如下图：

显然，这样的阈值处理结果不是我们想要的，那么就需要一种方法来应对这样的情况。

这种办法就是自适应阈值法(adaptiveThreshold)，它的思想不是计算全局图像的阈值，而是根据图像不同区域亮度分布，计算其局部阈值，所以对于图像不同区域，能够自适应计算不同的阈值，因此被称为自适应阈值法。(其实就是局部阈值法)

如何确定局部阈值呢？可以计算某个邻域(局部)的均值、中值、高斯加权平均(高斯滤波)来确定阈值。值得说明的是：如果用局部的均值作为局部的阈值，就是常说的移动平均法。

c++代码实现(待完成…)