MatLab编程实现Otsu方法的最优全局阈值处理

目录

一、什么是Otsu算法？

二、核心原理

三、变量定义与编写思想

3.1首先出待处理图像归一化直方图分量：

 3.2任选一个阈值T（方便遍历从1开始）​编辑

3.3求出C1、C2对应的累计概率：

3.4求阈值对应直方图累加均值

 3.5求整个图像平均灰度（可在任意步骤求解）

 3.6类间方差最大值

 四、代码实现

 五、实验结果展示

图一        阈值分割结果

图二        原图直方图

---

一、什么是Otsu算法？

简单点说是基于图像的全局灰度数组找到一个灰度阈值，利用该阈值对图像进行二值化处理的算法即Otsu算法，听着很厉害吧？其实很简单。

二、核心原理

这个算法的核心就是如何找到该阈值，依据什么来确定这个二值化的阈值呢？既然是基于全局的，那么必然要了解该图像全局统计特性，所以该阈值是实际上求解的是类间方差最大值，求出该值就能找到灰度阈值。

三、变量定义与编写思想

3.1首先出待处理图像归一化直方图分量：

 3.2任选一个阈值T（方便遍历从1开始）

3.3求出C1、C2对应的累计概率：

3.4求阈值对应直方图累加均值

 3.5求整个图像平均灰度（可在任意步骤求解）

 3.6类间方差最大值

 四、代码实现

clear; clc; close all;
I = imread('polymersomes.tif'); 
[h,w]=size(I);
xs=zeros(1,256);
kt=10;
for i=1:h
    for j=1:w
       k=I(i,j);
       xs(k+1)=xs(k+1)+1;                
    end
end
%%
pi=zeros(1,255);
mG=0;
%mG
 for i = 1:255
        pi(i)=xs(i)/h/w;
        mG=mG+i*pi(i);
 end

sigmb=zeros(1,255);
for kt = 1:255
    mk=0;p1=0;
 %P1(k)
 for i = 1:255
     if(i<=kt)
        p1 = p1+pi(i);
     end
 end
 %求m(k)
         for i = 1:kt
             mk = mk+i*pi(i);
         end
p2=1-p1;
sigmb(kt)=((mG*p1-mk)^2)/p1/p2;
end
%%
[m,sigm]=max(sigmb);
I2=im2bw(I,sigm/255);
figure,imshow(I2);
histogram(I);xlim([0,255]);

 五、实验结果展示

待处理图片学过数图都应该有，这里就不给了（是一个聚合细胞的光学显微镜图像），最后大部分图片来自数图课PPt，代码原创，复制慎用，如有错误请大佬指正。

图一        阈值分割结果

图二        原图直方图