阈值分割之大津法OTSU

介绍

	大津法是一种用来确定图像二值化分割阈值的算法，由日本学者大津与1979年提出，因此被命名为大津法。

论文名： N. Otsu, “A threshold selection method from gray-level his-tograms,” IEEE Transactions on Systems, Man and Cybernetics, vol. 9,no. 1, pp. 62–66, 1979.

原理

  网上对大津法的原理讲解已经很多了，这里就不再复制粘贴了，说说我的个人理解，不对之处还望指证。大津法的本质就是找到某个灰度值为阈值的时候（寻找的方法是遍历0-255），基于这个阈值得到两个类，计算两个类的类间方差，差值越大那就说明此时选取的阈值是最佳阈值。这么说好像不够直观，还是得贴公式。

  设输入图像大小为m行n列(图像类型为灰度图)，假设此时选定的阈值为T，则灰度值小于T的像素点个数为num0，大于T的像素点个数为num1。
那么可以计算小于阈值T的像素在整幅图的占比为：

w_0 = num0/m*n 同理可得大于阈值T的像素占比： w_1 = num1/m*n w_0+w_1=m*n 此时可以求此阈值下图像的平均灰度：

$$\mu =w0\ast \mu 0+w1\ast \mu 1$$
其中$\mu 0,\mu 1$分别是指两个类分别的平均灰度值(灰度值总和除以像素点个数)。
此时可求得类间方差，计算方法为：
$${\sigma }^2=w_0\ast (\mu 0-\mu )+w_1\ast (\mu 1-\mu )$$
联立后化简可以得到：
$${\sigma }^2=w_0\ast w_1(\mu 0-\mu 1)$$
当取阈值T使得当前${\sigma }^2$值最大时，为最佳阈值,这是它的计算方式，一般也称为最大类间方差法。下面简单实用python版opencv实现一下，并说一下我在运用过程中得出的该方法的适用场景。

代码实现以及讲解

import cv2 as cv
from matplotlib import pyplot as plt

#读取图片，我这里原图是灰度图，如果不是的话imread第二个参数选为0(-1,原图，0单通道，1三通道)
#或者img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
#如果读入图像有噪声，可以考虑使用滤波器过滤一下
img = cv.imread('test0.img',-1)

#返回分割的阈值以及分割后的二值化图像。0，255是返回二值化图的值，大于阈值为255，小于阈值为0
thre_value,thre_img=cv.threshold(img,0,255,cv.THRESH_BINARY+cv.THRESH_OTSU)

#我们可以看一下灰度直方图，与输出的阈值对比观察一下
titles = ['Original','Histogram','Ostu_Binary']
images= [img,0,thre_img]
for i in range(1):
	#原图
	plt.subplot(1,3,i+1)
	plt.imshow(images[i])
	plt.title(titles[i])

	#灰度直方图
	plt.subplot(1,3,i+2)
	#先把图像压成一维，然后统计每个像素值个数
	plt.hist(images[i].ravel())
	plt.title(titles[i+1])
	plt.xticks([]),plt.yticks([])
	
	#二值化图
	plt.subplot(1,3,i+3)
	plt.imshow(images[i+2])
	plt.title(titles[i+2])
plt.show()

总结

  根据我的实际使用经验来看，OTSU在前背景比例特别悬殊的时候效果十分不理想，并不好用，比如说如果你想去除脑CT的颅骨，这个方法并不适用，往往找到的值会是脑实质区域的某个像素值。但是在目标区域和背景的比例相近时，效果是客观的。