文章首发于我的个人博客
大津法是一种灰度图像自适应阈值分割算法,是日本学者Ostu于1979年提出,又称类间方差阈值分割法。大津法根据图像的灰度分布将图像分为前景和背景两部分,前景是我们分割出来的部分。前景和背景的分割值就是我们要通过类间方差法求出的阈值。
一、算法原理
设图像灰度级为L,灰度级为i的像素点数为ni,那么直方图分布为:
p i = n i / N , ∑ i = 0 L − 1 p i = 1 p_i = n_i /N, \sum_{i=0}^{L-1}p_i=1 pi=ni/N,i=0∑L−1pi=1
按灰度级用阈值t划分为两类:C_0=(0,1,…,t)和C_1=(t+1,t+2…,L-1)。因此C_0类和C_1类的概率级均值分别由一下各式给出:
w 0 = P r ( C 0 ) = ∑ i = 0 k p i w_0=Pr(C_0)=\sum_{i=0}^{k}p_i w0=Pr(C0)=i=0∑kpi
w 1 = P r ( C 1 ) = ∑ i = k + 1 L − 1 p i = 1 − w 0 w_1=Pr(C_1)=\sum_{i=k+1}^{L-1}p_i = 1-w_0 w1=Pr(C1)=i=k+1∑L−1pi=1−w0
u 0 = ∑ i = 0 k i P r ( i ∣ C 0 ) = ∑ i = 0 k i p i / w 0 u_0=\sum_{i=0}^{k}iPr(i|C_0)=\sum_{i=0}^{k}ip_i/w_0 u0=i=0∑kiPr(i∣C0)=i=0∑kipi/w0
u 1 = ∑ i = k + 1 L − 1 i P r ( i ∣ C 1 ) = ∑ i = k + 1 L − 1 i p i / w 1 u_1=\sum_{i=k+1}^{L-1}iPr(i|C_1)=\sum_{i=k+1}^{L-1}ip_i/w_1 u1=i=k+1∑L−1iPr(i∣C1)=i=k+1∑L−1ipi