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)