大律法OTSU【详细】（python实现）

---

一、 前言

图像的灰度直方图

灰度直方图是关于灰度级分布的函数，是对图像中灰度级分布的统计。灰度直方图是将数字图像中的所有像素，按照灰度值的大小，统计其出现的频率。灰度直方图是灰度级的函数，它表示图像中具有某种灰度级的像素的个数，反映了图像中某种灰度出现的频率。【from百度百科】

计算直方图

1.使用opencv的函数

cv2.calcHist(images, channels, mask, histSize, ranges)

• 参数1：要计算的原图，以方括号的传入，如：[img]。
• 参数2：类似前面提到的dims，灰度图写[0]就行，彩色图B/G/R分别传入[0]/[1]/[2]。
• 参数3：要计算的区域ROI，计算整幅图的话，写None。
• 参数4：也叫bins,子区段数目，如果我们统计0-255每个像素值，bins=256；如果划分区间，比如0-15,16-31…240-255这样16个区间，bins=16。
• 参数5：range,要计算的像素值范围，一般为[0,256)。

eg:

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('test.jpg')
# hist是256x1数组，每个值对应于该图像中具有相应像素值的像素数
hist = cv.calcHist([img],[0],None,[256],[0,256])
# 绘制直方图
plt.plot(hist)
plt.show()

2. 使用Numpy函数

bincount(x, weights=None, minlength=None)

相对应的函数详解可参考：numpy.bincount详解
eg：

import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('test.jpg')
# ravel()函数将二维矩阵展平变成一维数组
hist = np.bincount(img.ravel(), minlength=256) 
# 绘制直方图
plt.plot(hist)
plt.show()

---

二、 OTSU算法简介

OTSU算法是一种图像二值化算法。其算法假设图像中存在一个阈值 T ，判断图像中每个像素与T的大小关系，可以将所有像素分为背景 C₀ 和 前景 C₁ 两类，且当选取到最佳T阈值时，背景部分与前景部分的差别最大，而OTSU 算法利用最大类间方差来衡量这一差别。由于OTSU算法采用了最大类间方法的思想，因此该算法也被OTSU最大类间方差法

缺点：对图像噪声敏感；只能针对单一目标分割；当目标和背景大小比例悬殊、类间方差函数可能呈现双峰或者多峰，这个时候效果不好

三、 数学原理

该算法的原理主要涉及 均值、方差等概念和部分公式的推导

1. 将图片的像素值分为 [1, 2, …, L] 个水平，用n_i 表示各个水平像素值的像素个数，那么很容易得到总像素个数N为:N = n₁ + n₂ + … + n_L

2. 利用像素值对应个数与总数的商作为某个像素值出现的概率，定义p_i
   $$p_i=n_i/N,p_i\ge 0,\sum _{i=1}^L{p}_i=1\text{\hspace{1em}(1)}$$

3. 定义两个量w₀ , w₁为C₀,C₁的局部概率之和，并且得到二者的关系
   $$w_0=Pr(C_0)=\sum _{i=1}^k{p}_i=w(k)\text{\hspace{1em}(2)}$$
   $$w_1=Pr(C_1)=\sum _{i=k+1}^L{p}_i=1-w(k)\text{\hspace{1em}(3)}$$

4. 由此我们得到总的数学期望【期望是平均数随样本趋于无穷的极限，所以可以将期望 ≈ 均值】和C₀ , C₁各自的数学期望并指出三者的关系，式中 i 代表像素值，除于各自概率的和用于进行归一。
   $$u_0=\sum _{i=1}^k$$