从零开始的OTSU阈值分割算法

OTSU阈值分割

OTSU阈值分割，我们先直接讲操作：

1. 找到图像灰度值的最大和最小值。
2. 遍历最小值到最大值，以每一个值为阈值进行分割。
3. 找到使得式子：w0*w1*(u0-u1)*(u0-u1)的值最大的阈值，就是我们要找的最佳阈值。

是不是觉得整个过程还是挺简单的？

然后我们再来看看式子中的每个变量分别代表什么：
在步骤3进行分割的时候，大于阈值的像素部分，我们称为前景；小于等于阈值的则称为背景。

w0 ：前景中的像素对于总像素数的占比。
w1 ：背景中的像素对于总像素数的占比。
u0 ：前景部分的像素灰度均值。
u1 ：背景部分的像素灰度均值。
理解了以上的内容后，很容易就可以写出OTSU分割的实现代码。
环境：VS2019 + OpenCV3.4.14
代码：

	int maxValue = 0, minValue = 256; //找最大最小值
	for (i = 0; i < h; i++) {
		for (j = 0; j < w; j++) {
			int grayValue = (dst1->imageData + wp * i)[j];
			if (grayValue > maxValue) {
				maxValue = grayValue;
			}
			if (grayValue < minValue) {
				minValue = grayValue;
			}
		}
	}
	double maxVariance = 0; //最大方差
	int max_i = -1; //最佳阈值
	for (i = minValue; i <= maxValue; i++) { //遍历每个灰度值
		int frontGround = 0, backGround = 0;
		int valueSum0 = 0, valueSum1 = 0;
		for (j = 0; j < h; j++) {
			for (int k = 0; k < w; k++) {
				int grayValue = (dst1->imageData + wp * j)[k];
				if (grayValue > i) { //前景
					frontGround++;
					valueSum0 += grayValue;
				}
				else { //后景
					backGround++;
					valueSum1 += grayValue;
				}
			}
		}
		double w0, w1, u0, u1;
		w0 = frontGround * 1.0 / (frontGround + backGround); //前景占比
		w1 = backGround * 1.0 / (frontGround + backGround);
		u0 = valueSum0 * 1.0 / frontGround; //前景灰度均值
		u1 = valueSum1 * 1.0 / backGround;
		double variance = w0 * w1 * (u0 - u1) * (u0 - u1); //方差
		if (variance > maxVariance) {
			maxVariance = variance;
			max_i = i;
		}
	}
	cvThreshold(dst1, dst2, T, 255, CV_THRESH_BINARY);
	cvNamedWindow("OTSU阈值分割");
	cvShowImage("OTSU阈值分割", dst2);

原图：

分割后：

原理

我们可以发现，w0*w1*(u0-u1)*(u0-u1)是方差的形式，这个式子就是我们判断是否最优的依据，因方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小。因此,使类间方差最大的分割意味着错分概率最小。
（加粗部分引自otsu阈值分割算法原理_大津法—OTSU算法）