大津二值化算法（Ostu二值化算法）及其改进算法

最新推荐文章于 2024-02-03 22:07:54 发布

群星闪耀

最新推荐文章于 2024-02-03 22:07:54 发布

阅读量4.9k

点赞数 1

分类专栏：学习记录 python 文章标签： python学习笔记

本文链接：https://blog.csdn.net/weixin_40244676/article/details/102947340

版权

本文详细介绍了大津二值化算法，即Ostu算法的原理，通过最大化类间方差来自动确定二值化阈值。解释了如何寻找最佳阈值以实现图像的最佳分割，并提供了Ostu算法在直方图中有两个峰值的图像上的直观理解。此外，提到了OpenCV中使用该算法进行二值化的实现方式，并提及了改进算法的相关链接。

摘要由CSDN通过智能技术生成

1.Ostu算法原理

使用大津算法来二值化图像！大津算法，也被称作最大类间方差法，是一种可以自动确定二值化中阈值的算法，从类内方差和类间方差的比值计算得来：

小于阈值 t 的类记作 0，大于阈值 t 的类记作 1；
w0 和 w1 是被阈值 t 分开的两个类中的像素数占总像素数的比率（满足 w0+w1=1）；
S0^2, S1^2 是这两个类中像素值的方差；
M0, M1 是这两个类的像素值的平均值；

也就是说：

类内方差：Sw^2 = w0 * S0^2 + w1 * S1^2
类间方差：Sb^2 = w0 * (M0 - Mt)^2 + w1 * (M1 - Mt)^2 = w0 * w1 * (M0 - M1) ^2
图像所有像素的方差：St^2 = Sw^2 + Sb^2 = (const)
根据以上的式子，我们用以下的式子计算分离度：  
分离度 X = Sb^2 / Sw^2 = Sb^2 / (St^2 - Sb^2)

也就是说：我们要是分离度X最大，在图像灰度之中遍历0-255，计算所有的分离度，则可以已找到最大的分离度，从而找到最佳的二值化阈值。

其次计算分离度的最大值时，可以简化式子。X=