本文主要是介绍图像二值化阈值调整——OTSU算法(大津法/最大类间方差法),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
大津算法(OTSU算法)是一种常用的图像二值化方法,用于将灰度图像转化为二值图像。该算法由日本学者大津展之于1979年提出,因此得名。
大津算法的核心思想是通过寻找一个阈值,将图像的像素分为两个类别:前景和背景。具体步骤如下:
- 统计图像的灰度直方图,得到每个灰度级的像素数目。
- 遍历所有可能的阈值(0到255),计算根据该阈值将图像分为前景和背景的类内方差。
- 根据类内方差的最小值确定最佳阈值。
在大津算法中,类内方差是衡量前景和背景之间差异的度量。通过选择使类内方差最小的阈值,可以实现最佳的图像分割效果。
大津算法的优点是简单易懂,计算效率高。它适用于灰度图像的二值化处理,特别是对于具有双峰直方图的图像效果更好。然而,该算法对于具有非双峰直方图的图像可能产生较差的分割结果。因此,在应用大津算法之前,需要对图像的直方图进行分析,确保适用性。
大津算法在图像处理中被广泛应用,例如在文档图像处理、目标检测、图像分割等领域。
下面推导类间方差函数:
设阈值为灰度k()。这个阈值把图像像素分割成两类,C1类像素小于等于k,C2类像素大于k。设这两类像素各自的均值为,图像全局均值为。同时像素被分为C1和C2类的概率分别为。则有:
根据方差的概念,类间方差表达式为:
展开:
合并2,5及3,6项可得:
我们再把代回得到:
再注意到,所以,,从而得到:
对于给定的阈值k,我们可以统计出灰度级的分布列:
灰度值 | 0 | 1 | ... | 255 |
... |
显然根据分布列性质有(请注意这里的是分布列中的,不是上面的定义)
那么有:
将k从遍历,找出使得最大的k值,这个k值就是阈值。
对于分割,这个分割就是二值化,OpenCV给了以下几种方式(同threshold):
cv2帮助文档:
Miscellaneous Image Transformations — OpenCV 3.0.0-dev documentationhttps://docs.opencv.org/3.0-last-rst/modules/imgproc/doc/miscellaneous_transformations.html?highlight=threshold#threshold代码实现:
首先是原理部分的实现,这部分我们使用numpy:
import cv2
import numpy as npdef OTSU(img_gray, GrayScale):assert img_gray.ndim == 2, "must input a gary_img" # shape有几个数字, ndim就是多少img_gray = np.array(img_gray).ravel().astype(np.uint8)u1 = 0.0 # 背景像素的平均灰度值u2 = 0.0 # 前景像素的平均灰度值th = 0.0# 总的像素数目PixSum = img_gray.size# 各个灰度值的像素数目PixCount = np.zeros(GrayScale)# 各灰度值所占总像素数的比例PixRate = np.zeros(GrayScale)# 统计各个灰度值的像素个数for i in range(PixSum):# 默认灰度图像的像素值范围为GrayScalePixvalue = img_gray[i]PixCount[Pixvalue] = PixCount[Pixvalue] + 1# 确定各个灰度值对应的像素点的个数在所有的像素点中的比例。for j in range(GrayScale):PixRate[j] = PixCount[j] * 1.0 / PixSumMax_var = 0# 确定最大类间方差对应的阈值for i in range(1, GrayScale): # 从1开始是为了避免w1为0.u1_tem = 0.0u2_tem = 0.0# 背景像素的比列w1 = np.sum(PixRate[:i])# 前景像素的比例w2 = 1.0 - w1if w1 == 0 or w2 == 0:passelse: # 背景像素的平均灰度值for m in range(i):u1_tem = u1_tem + PixRate[m] * mu1 = u1_tem * 1.0 / w1# 前景像素的平均灰度值for n in range(i, GrayScale):u2_tem = u2_tem + PixRate[n] * nu2 = u2_tem / w2# print(u1)# 类间方差公式:G=w1*w2*(u1-u2)**2tem_var = w1 * w2 * np.power((u1 - u2), 2)# print(tem_var)# 判断当前类间方差是否为最大值。if Max_var < tem_var:Max_var = tem_var # 深拷贝,Max_var与tem_var占用不同的内存空间。th = ireturn thdef main():img = cv2.imread('6.jpg', 0)# 将图片转为灰度图th = OTSU(img, 256)print("使用numpy的方法:" + str(th)) # 结果为 136main()
然后是基于cv2的OTSU实现,cv2可直接指定使用:
import cv2
import matplotlib.pylab as pltdef main2():img = cv2.imread('6.jpg', 0)ret, thresh1 = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)print(ret) # 结果是135.0titles = ['Original Image', 'After Binarization']images = [img, thresh1]for i in range(2):plt.subplot(1, 2, i+1)plt.imshow(images[i], 'gray')plt.title(titles[i])plt.xticks([])plt.yticks([])plt.show()main2()
这篇关于图像二值化阈值调整——OTSU算法(大津法/最大类间方差法)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!