大津阈值分割算法（OTSU处理图像）

1.算法原理简述

        对于图像I(x,y)，前景(即目标)和背景的分割阈值记作T，属于前景的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图像的比例为ω1，其平均灰度为μ1。图像的总平均灰度记为μ，类间方差记为g。

假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，像素灰度大于阈值T的像素个数记作N1，则有：

ω0=N0/ M×N (1)

ω1=N1/ M×N (2)

N0+N1=M×N (3)

ω0+ω1=1 (4)

μ=ω0*μ0+ω1*μ1 (5)

g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)

将式(5)代入式(6),

得到等价公式:

g=ω0ω1(μ0-μ1)^2 (7)

这就是类间方差采用遍历的方法得到使类间方差g最大的阈值T,即为所求。

2.算法设计流程图（或难点分析）

 

 

3.算法设计代码与注释（大津阈值）

（简单处理）

I=im2double(imread('cell.jpg'));

k=graythresh(I); %得到最优阈值

J=im2bw(I,k); %转换成二值图，k为分割阈值

subplot(121);imshow(I);title('Original');%显示原图

subplot(122);imshow(J); title('Processed') ;%显示处理后的图像

（复杂处理）

I=rgb2gray(imread('cell.jpg')); %读图并转化为灰度图

subplot(121);imshow(I);title('Original'); %显示原图灰度图

Ni=imhist(I); %计算直方图数组

N=sum(Ni); %总像素点个数

delamax=0; %类间方差最大值初始化

threshold=0; %阈值初始化

for k=2:255

u=dot([0:255],Ni/N); %图像的总平均灰度级

w0=sum(Ni(1:k)/N); %前景类像素所占面积的比例

w1=1-w0; %背景类像素所占面积的比例

if w0==0|w0==1 %当w0为1或0时提前结束本次循环

continue

end

u0=dot([0:k-1],Ni(1:k)/N)/w0; %前景类像素的平均灰度

u1=dot([k:255],Ni(k+1:256)/N)/w1; %背景类像素的平均灰度

dela(k)=w0*(u-u0)^2+w1*(u-u1)^2; %类间方差

%求出类间方差的最大值，最大时的那个值对应的k值存入delamax

if dela(k)>delamax

delamax=dela(k);

threshold=k-1;

end

end

%以下为阈值分割程序

[width,height]=size(I); %获取图片宽高

for i=1:width

for j=1:height

if(I(i,j)<threshold) %灰度小于阈值时则为黑色

BW1(i,j)=0;

else

BW1(i,j)=1; %灰度大于阈值时则为白色

end

end

end

subplot(122);imshow(BW1);title('Processed')%显示处理之后的图像

figure;histogram(I);xlim([0 255]); %显示原图灰度图的直方图

4.实验结果与分析

 

图1 细胞图像处理图

 

图2 细胞原图直方图

图1为使用细胞图像进行处理之后的图像，其中Original标题的为细胞图像原图，Processed标题的图像为进行OTSU算法处理之后的图像。从图1的对比当中，可以看到使用OTSU之后图像被处理的结果。它相对于迭代阈值分割算法来说得出的结果更好，可以很明显的分割出光学显微镜下的细胞。图2为细胞原图灰度化之后的直方图。

5.结论与展望

       大津法的优点在于可以快速有效的找到类间分割阈值，但其缺点也很明显，就是只能针对单一目标分割，或者感兴趣的目标都属于同一灰度范围，若需探测目标灰度范围分布较大，则必将有一部分目标探测丢失。