图像处理(Image Processing) ---------- 大津二值化 (Otsu‘s)(C#实现)

最新推荐文章于 2023-07-11 22:46:41 发布

英俊强健

最新推荐文章于 2023-07-11 22:46:41 发布

阅读量2.7k

点赞数

分类专栏：图像处理文章标签： Otsu's 二值化

本文链接：https://blog.csdn.net/weixin_35811044/article/details/85255924

版权

图像处理专栏收录该内容

11 篇文章 4 订阅

订阅专栏

图像的二值化，通常指灰阶图像转化为二值图像，二值图像即一个pixel只有两种变化全暗(0)或者全亮(255)，单独记录二值图像的话就每个Pixel只要1bit就足够了，0或1。

要将一个灰阶图像二值化，你就要能够很好的区分哪些是背景、哪些是前景，或者说哪一部分该变全暗哪一部分该变全亮。这就需要找到一个最好Threshold(阀值)，把大于这个阀值的灰度值极大化(全亮)，小于这个阀值的灰度值极小化(全暗)。

阀值能我们可以设固定的，也可以用自适应方法。Otsu就是极好的、通过计算找到最佳的阀值的方法。

Otsu's ：
- 通过阀值将一幅图的灰度级分成了两个区域，最佳的阀值说简单点要做到的是：这两个区域，各自内部要越像越好，区域之间要差异越大越好。要看一个区域的pixel像不像，差异大不大用什么？答案很简单就是方差。Otsu's的方法就是要两区域，区域內方差要最小或者区域间方差要最大。
- 方差公式：，x 是均值，n 是数总个数。
- 所以Otsu's 的公式： $\delta = \omega_{1} \ast s_{1}^{2} + \omega_{2} \ast s_{2}^{2}$ ; $\omega_{1}$ 和 $\omega_{2}$ 分别为两区域 pixel 所占的比例权重， $s_{1}^{2}$ 和 $s_{2}^{2}$ 就是两区域的pixel內方差了。
- 实现时，只要从0~255灰度级中，计算每一个灰度级的 $\delta$ ，这样找到 $\delta$ 最小的那个灰度级，就是最佳的阀值。

C#实现：

//通过Otsu's获得最佳Thresholding；
        public int getOPTThresholding(Bitmap grayImage)
        {   //计算类内方差之和最小；
            //获取按 pixel 个数统计直方图
            int[] histogram = getGrayNumbHistogram(grayImage);
            int pixelNumb = grayImage.Height * grayImage.Width;
            int threshold;
            //储存差异集合
            double[] variances = new double[256];
            //T为0-255，为 Threshold 拟定值.
            for (int T = 0; T < histogram.Length; T++)
            {
                //两区域 pixel 个数，区域 pixel 值总和，区域平均数,区域权重;
                double n1 = 0, n2 = 0;
                double total1 = 0, total2 = 0;
                double aver1 = 0, aver2 = 0;
                double w1 = 0, w2 = 0;
                //区域 1,2 方差
                double ft1 = 0, ft2 = 0;
            
                for (int i = 0; i < T; i++)
                {
                    n1 += histogram[i];
                    total1 += histogram[i] * i;
                }
                for (int j = T; j < variances.Length; j++)
                {
                    n2 += histogram[j];
                    total2 += histogram[j] * j;
                }
                w1 = n1 / pixelNumb;
                w2 = n2 / pixelNumb;
                //防止个数為 0，出错；
                aver1 = (n1 == 0) ? 0 : (total1 / n1);
                aver2 = (n2 == 0) ? 0 : (total2 / n2);
                for (int i = 0; i < T; i++)
                {
                    ft1 += (Math.Pow((i - aver1), 2) * histogram[i]);
                }
                for (int j = T; j < 256; j++)
                {
                    ft2 += (Math.Pow((j - aver2), 2) * histogram[j]);
                }
                ft1 = (n1 == 0) ? 0 : (ft1 / n1);
                ft2 = (n2 == 0) ? 0 : (ft2 / n2);
                variances[T] = w1 * ft1 + w2 * ft2;
            }
            double min = variances[0];
            threshold = 0;
            for (int i = 1; i < variances.Length; i++)
            {
                if (variances[i] < min)
                {
                    min = variances[i];
                    threshold = i;
                }
            }
            return threshold;
        }

仅为个人理解，如有不足，请指教。 https://blog.csdn.net/weixin_35811044