【千律】OpenCV基础：图像阈值分割 -- 大津法（OTSU）阈值分割 -- 代码实现

环境：Python3.8 和 OpenCV

内容：大津法（OTSU）阈值分割 -- 代码实现

（1）对于给定阈值T，可以将图像分为目标和背景。其中，背景点数占图像比例为P0，平均灰度值为M0。 而目标点数占图像比例为P1，平均灰度值为M1。

（2）图像的平均灰度值为常数，与阈值无关，即：

（3）计算类间方差如下：

（4）代入 P0 + P1 = 1 和 M_mean, 化简上式为：

（5）遍历灰度值，找出使sigma^2最大的值。

import cv2 as cv
import matplotlib.pyplot as plt


# 封装图片显示函数
def image_show(image):
    if image.ndim == 2:
        plt.imshow(image, cmap='gray')
    else:
        image = cv.cvtColor(image, cv.COLOR_BGR2RGB)
        plt.imshow(image)
    plt.show()


# 大津法（OTSU）阈值分割：
# 算法思想：最大类间方差法
# （1）对于给定阈值T，可以将图像分为目标和背景。其中，背景点数占图像比例为P0，平均灰度值为M0。
#     而目标点数占图像比例为P1，平均灰度值为M1。
#     P0 + P1 = 1
# （2）图像的平均灰度值为常数，与阈值无关，即：
#     M_mean = P0 * M0 + P1 * M1
# （3）计算类间方差如下：
#      sigma^2 = P0(M0 -M_mean)^2 + P1(M1 - M_mean)^2
# （4）代入 P0 + P1 = 1 和 M_mean, 化简上式为：
#     sigma^2 = P0 * P1 * (M0 - M1)^2
# （5）遍历灰度值，找出使sigma^2最大的值。


if __name__ == '__main__':

    # 读取灰度图像
    img_desk = cv.imread('desk.png', 0)

    # 初始化最佳类间方差和最佳阈值
    T_best = 0
    sigma_best = -1

    # 通过迭代寻找最佳阈值（最大类间方差）
    for i in range(0, 256):

        # 分别获取背景部分和目标点部分
        back_ground = img_desk[img_desk <= i]
        img_object = img_desk[img_desk > i]

        # 获取背景点和目标点比例
        P0 = back_ground.size / img_desk.size
        P1 = img_object.size / img_desk.size

        # 获取背景点和目标点的均值
        if back_ground.size == 0:
            M0 = 0
        else:
            M0 = back_ground.mean()

        if img_object.size == 0:
            M1 = 0
        else:
            M1 = img_object.mean()

        # 计算类间方差
        sigma = P0 * P1 * (M0 - M1) ** 2

        # 判断是否更新方差和阈值
        if sigma > sigma_best:
            sigma_best = sigma
            T_best = i

    # 阈值分割
    _, img_bin = cv.threshold(img_desk, T_best, 255, cv.THRESH_BINARY)

    # 输出最佳阈值和最大类间方差
    print("最大类间方差 = ", sigma_best)
    print("最佳阈值 = ", T_best)

    # 显示图像
    image_show(img_bin)