利用最大类间方差求数组分割的合适阈值-以车牌上下裁剪为例

        车牌上下裁剪（去除车牌垂直方向的外部区域以及车牌的锚点）在车牌识别中十分重要，裁剪过后对车牌的后续处理才更加方便。

图1 二值化的车牌图像binary 

        选取合适的阈值上下裁剪十分重要，根据每行的白色像素点数与阈值的大小关系判断，阈值的选取采用最大类间方差的思想。但是该方法易受噪声影响，求阈值前先进行去噪。每行白色像素点数直方图如图2

 图2 垂直方向白色像素点数直方图

从车牌图像中来看，我们期望的阈值应该是能区分250和300部分的，这些小于150的可以看成噪点，可以提前去除

x_histogram_tmp = x_histogram[x_histogram > binary.shape[1]/5*2]

图3 x_histogram_tmp

otsu的代码如下

def otsu(array, scale):
    length = len(array)
    histogram = np.zeros((scale))
    for i in range(length):
        histogram[int(array[i])] += 1
    histogram /= length
    avg = np.sum(np.arange(scale)*histogram)
    w = 0
    u = 0
    max_var = 0
    thresholdV = 0
    for i in range(scale):
        w += histogram[i]
        u += i * histogram[i]
        t = avg * w - u
        variance = t * t / (w * (1 - w) + 0.0001)
        if variance > max_var:
            max_var = variance
            thresholdV = i
    return thresholdV

thresholdV = otsu(x_histogram_tmp, binary.shape[1]+1)

求得的阈值为260，最后分割出来的效果为