matlab改进 otsu法,otsu算法---matlab实现，和一种改进算法

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

% 灰度图阈值分割提取前后背景

% otsu法和一种改进的方法

% th为最终确定的阈值

% 2015.12.04 by小海添加注释

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

clear all;

clc;

I=imread('C:\Users\Administrator\Desktop\a.bmp');

%a=rgb2gray(I);

a=I;

figure;

imshow(a);

figure;

[n,xout]=hist(a(:),0:255); %n是落在该灰度值的个数，xout是中心点的刻度

bar(xout,n);

xlim([0 255]); %把x轴的范围设置在0-255之间

count=imhist(a); %统计的是图像上对应像素值的个数，是1-256的列向量

[m,n]=size(a); %m=768， n=1024 图像的列和行

count=count/(m*n); %归一化数据，概率百分比，每一个灰度级别的概率

%%%%%%%%%%%%%%%%%%%%%%%%%%

%方法11111111111111111111

% otsu法来求阈值分割图像

%%%%%%%%%%%%%%%%%%%%%%%%%%%

E=[]; %E是一个行向量，存储中间变量的值

for TH=1:1:256 %阈值从1开始计算

av0=0;

av1=0;

w0=sum(count(1:TH)); %统计 1~(阈值+1)处的总的概率和w0

w1 = 1 - w0;

%第一类 背景区域

for i=1:TH

av0= av0 + i*count(i); % 求背景区域的平均灰度值

end

u0 = av0/w0; %平均灰度值/背景的总概率

%第二类

for i=TH+1:256

av1= av1 + i*count(i); %这是一个计算前景均值的方法

end

u1 = av1/w1; %平均灰度值/背景的总概率

E(TH) = w0*w1*(u1-u0)*(u1-u0); %将两者的平均值相加

end

postion=find(E==max(E)); %找到E最大处的值的位置，这个位置就可以确定为阈值

th=postion;

%%%%%%%%%%%%%%%%%%%%%%%

%方法22222222222222222222

%不是otsu法，是一种新的方法

%%%%%%%%%%%%%%%%%%%%%%

% L=256;

% for i=1:L %找到开始的位置

% if count(i)~=0 %频数不等于0的地方开始

% st=i-1; %从小到大，找到第一个非零点st

% break;

% end

% end

% for j=L:-1:1 %找到结束的位置

% if count(j)~=0 %从最后开始L=256

% nd=j-1; %从后到前找到第一个非零点nd

% break;

% end

% end

% %曲线拟合 多项式拟合,

% cline=[st:nd]; %cline从st到nd，中间差值为1，是一个行向量，包含了非零点的数目

% p=polyfit(cline,count(st:nd)',5); %曲线拟合函数，cline作为一个横坐标值，count是一个包含频数的矩阵，对应着频数值，一阶直线拟合，二阶抛物线拟合，并非阶次越高越好，看拟合情况而定。

% %为什么对count进行一个转置，因为统计出来的频数count是一个列向量，转置成行向量

% y=polyval(p,cline); %多项式在每一个cline处的值y

% plot([1:256],count,'*r',cline,y); %画出拟合曲线图

% %[value,index]=max(y)

% IndMin=find(diff(sign(diff(y)))>0)+1; %极小值点

% IndMax=find(diff(sign(diff(y)))<0)+1; %极大值点

% f=count(st+1:nd+1);

%

% %%%%%%%%%%%%%%%%%

% %%%%%%% 计算阈值

% %%%%%%%%%%%%%%%%%

% E=[]; %E是一个行向量，存储中间变量的值

% for TH=st:1:nd-1 %阈值从非空的点开始计算 st=32

% av1=0;

% av2=0;

% pth=sum(count(1:TH+1)); %统计 1~(阈值+1)处的总的概率和w0

% %第一类 背景区域

% for i=0:TH

% av1=av1-count(i+1)/pth*log(count(i+1)/pth+0.00001); %这是一个计算背景均值的方法 求和 pi/w0*log(pi/w0+0.0001) 每一个点的概率除以第一类的总概率

% end

% %第二类

% for i=TH+1:L-1

% av2=av2-count(i+1)/(1-pth)*log(count(i+1)/(1-pth)+0.00001); %这是一个计算前景均值的方法

% end

% E(TH-st+1)=av1+av2; %将两者的平均值相加

% end

% postion=find(E==max(E)); %找到E最大处的值的位置，这个位置就可以确定为阈值

% th=st+postion-1;

%%%%%%%%%%%%%下面是根据阈值来分割图像

for i=1:m

for j=1:n

if a(i,j)>th

a(i,j)=255;

else

a(i,j)=0;

end

end

end

figure;

imshow(a)