图像手动二值化和大津二值化

二值化是什么？就是把一幅图像的所有像素点统一成两个值，例如图像的像素值只包含0和1，或者只包含0和255

一般情况：手动二值化

要二值化，首先我们手动定义一个阈值T，
这个T把小于T的和大于T的像素值就分开了，小于等于T的值都置0，大于T的置为255吧，这样图像就“非黑即白”了

	#手动定义阈值
	th=128
	img[img < th] = 0
	img[img >= th] = 255

大津二值化算法：自动定义阈值

大津二值化算法也称作最大类间方差法，是日本学者大津于1979年提出的，最大类间方差法呢我们好理解一点，我们需要一个最佳的T值去把一幅图像分为两类，这两个类之间的方差最大，说明他们的相关性越低，差别越大

具体的原理：
一幅M*N大小的灰度图像被T分为两类，
第一类像素个数占总像素个数的比值：$w0$
第二类像素个数占总像素个数的比值：$w1=1-w0$

第一类平均像素值：$u0$
第二类平均像素值：$u1$
图像总平均值：$u=w0\ast u0+w1\ast u1$

类间方差=$w0\ast (u0-u{)}^2+w1\ast (u1-u{)}^2$

把$u=w0\ast u0+w1\ast u1$带进去，整理得到：
类间方差=$w0\ast w1\ast (u_0-u_1{)}^2$

我们遍历T(0~255)，记录下得到类间方差最大的T值，这样就可以把图像二值化了，

python+opencv的大津调用函数：
ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

或者自己写

def binatization_Ostu(img):
    H,W=img.shape
    max_t=0
    sigma_t=0
    for _t in range(0,255):
        v0 = img[np.where(img < _t)]
        u0 = np.mean(v0) if len(v0) > 0 else 0.  #类1的像素平均值
        w0 = len(v0) / (H * W) #占总像素个数比例
        
        v1 = img[np.where(img >= _t)]
        u1 = np.mean(v1) if len(v1) > 0 else 0.
        w1 = 1-w0
        variance= w0 * w1 * ((u0 - u1) ** 2)
        if sigma>sigma_t:
            max_t=_t
            sigma_t=sigma
    
    #Binarization
    th=max_t
    img[img<th]=0
    img[img>=th]=255
    
    return img

这种算法在直方图单峰条件下效果比较好，具体的应用后面在学习