欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
OpenCV 例程200篇 总目录-202205更新

【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法

3.3 全局阈值处理 Otsu 方法

阈值处理本质上是对像素进行分类的统计决策问题。

OTSU 方法又称大津算法，使用最大化类间方差（intra-class variance）作为评价准则，基于对图像直方图的计算，可以给出类间最优分离的最优阈值。

任取一个灰度值 T，可以将图像分割为两个集合 F 和 B，集合 F、B 的像素数的占比分别为 pF、pB，集合 F、B 的灰度值均值分别为 mF、mB，图像灰度值为 m，定义类间方差为：
$$ICV=p_F\ast (m_F-m{)}^2+p_B\ast (m_B-m{)}^2$$
使类间方差 ICV 最大化的灰度值 T 就是最优阈值。

因此，只要遍历所有的灰度值，就可以得到使 ICV 最大的最优阈值 T。

OpenCV 提供了函数 cv.threshold 可以对图像进行阈值处理，将参数 type 设为 cv.THRESH_OTSU，就可以使用使用 OTSU 算法进行最优阈值分割。

例程 11.17：OTSU 最优全局阈值处理

    # 11.17 OTSU 最优全局阈值处理img = cv2.imread("../images/Fig1039a.tif", flags=0)deltaT = 1  # 预定义值histCV = cv2.calcHist([img], [0], None, [256], [0, 256])  # 灰度直方图grayScale = range(256)  # 灰度级 [0,255]totalPixels = img.shape[0] * img.shape[1]  # 像素总数totalGray = np.dot(histCV[:,0], grayScale)  # 内积, 总和灰度值T = round(totalGray/totalPixels)  # 平均灰度while True:numC1, sumC1 = 0, 0for i in range(T): # 计算 C1: (0,T) 平均灰度numC1 += histCV[i,0]  # C1 像素数量sumC1 += histCV[i,0] * i  # C1 灰度值总和numC2, sumC2 = (totalPixels-numC1), (totalGray-sumC1)  # C2 像素数量, 灰度值总和T1 = round(sumC1/numC1)  # C1 平均灰度T2 = round(sumC2/numC2)  # C2 平均灰度Tnew = round((T1+T2)/2)  # 计算新的阈值print("T={}, m1={}, m2={}, Tnew={}".format(T, T1, T2, Tnew))if abs(T-Tnew) < deltaT:  # 等价于 T==Tnewbreakelse:T = Tnew# 阈值处理ret1, imgBin = cv2.threshold(img, T, 255, cv2.THRESH_BINARY)  # 阈值分割, thresh=Tret2, imgOtsu = cv2.threshold(img, T, 255, cv2.THRESH_OTSU)  # 阈值分割, thresh=Tprint(ret1, ret2)plt.figure(figsize=(7,7))plt.subplot(221), plt.axis('off'), plt.title("Origin"), plt.imshow(img, 'gray')plt.subplot(222, yticks=[]), plt.title("Gray Hist")  # 直方图histNP, bins = np.histogram(img.flatten(), bins=255, range=[0, 255], density=True)plt.bar(bins[:-1], histNP[:])plt.subplot(223), plt.title("global binary(T={})".format(T)), plt.axis('off')plt.imshow(imgBin, 'gray')plt.subplot(224), plt.title("OTSU binary(T={})".format(round(ret2))), plt.axis('off')plt.imshow(imgOtsu, 'gray')plt.tight_layout()plt.show()

（本节完）

---

版权声明：

youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/124281210)

Copyright 2022 youcans, XUPT
Crated：2022-4-18

欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列，持续更新中

【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理
【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法
【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法
【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法
【youcans 的 OpenCV 例程200篇】166.自适应阈值处理
【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理
更多内容，请见：
【OpenCV 例程200篇 总目录-202206更新】