otsu阈值分割算法_图像分割之大津算法（OTSU）

关注公众号，获取更多信息

引言

最近一直在看图像二值化相关的东西，一直想寻找一个好的方法，能够自适应的设定阈值。这个过程中，发现了OTSU算法，其实这也算是基本的图像处理算法，之前有过接触，但是放过了，毕竟没有实际的用过。由于现在面临的大多数问题是光照不够均匀（这一点是很难做到均匀的），大多数还有噪声，那么如何实现良好的区分，这个算法提供了很好的思路。本文不想罗列一大堆公式，只想说说基本的观点。总结前人的，就是为了能够创新，积累积累。。。。。希望与大家共同学习。

大津算法原理

实际上，这种方法跟一些数据降维模式分类中的思想是一样的，例如PCA，LDA，SVM等。

既然这样，那就不得不先提一下概率统计的知识了。（高中其实都学过的）。简单的来描述，对于一组数据T，数据个数为n,其均值为

（以此作为其期望）。那么这组数据离散程度可以用方差来表示：

如果单个的数据其越偏离于中心，那么，其方差值也就越大。

图像的阈值化处理，就是将图像分为两个部分，高于阈值的部分，和小于阈值的部分。（暂不考虑多阈值的情况）。那么，如果将图像的每一个像素点的强度作为一个数据集合中的单元，那么，阈值化就相当于是一个二分类的问题。

我们假设，大于阈值的类为S1，维度为n1（不考虑秩的问题，实际上就是像素个数），均值为m1；小于阈值的类记为S2，维度为n2，均值为m2。根据前面概率的知识，理想的情况下，对于每一个类，其类内方差应该是很小的。也就是说，

D1<<dt1, D2<<dt2。

当然了，考虑每一个类是可行的。但是，我们又可以换个思路，全局上来考虑呢？

假设整个图像的均值为m，我们假设就只有两个数据，m1,m2，考虑着两个数据的离散程度，同样可以用上面的方差公式。这里看起来有点怪怪的，暂且这样来理解吧。也就是说，方差越大，这两个类也就越离散，分的越开。就像吵架一样，吵得声音越大，说明分歧越大，越严重。

所以，我们求这个阈值时，就希望，在内部是很团结的，就是在阈值分割后，两个类中，每一个类都是很和谐的。但是，相互之间又非常的受不了对方，离的越远越好。那么，找到这样的阈值，就十分开心了。

以上就是本人的一点粗鄙的认识，还有待进一步的学习。如有错误，还望批评指正，不吝指教。其实网上已经有很多这方面的东西了。这里只是结合自己学习的心得，谈谈体会。个人认为，这些知识都是想通的。知识面越广，越容易产生火花。