基于Otsu的全局阈值处理的实现

基于Otsu的全局阈值处理又称最大类间方差法，即在对图像进行阈值分割时，选定的分割阈值应使前景区域的平均灰度，背景区域的平均灰度与整幅图像的平均灰度之间差别最大，这种差异用区域的方差来表示

设图像中灰度为i的像素数为ni，灰度范围为[0,L-1], 总的像素数为

各灰度值出现的概率为

对于Pi

把图中的像素用阈值T分为两类C0和C1，C0由灰度值在[0,T-1]的像素组成，C1由灰度值在[T,L-1]的像素组成，则区域C0和C1的概率分别为

区域C0和C1的平均灰度分别为：

U是整幅图像的平均灰度

两个区域的总方差为：

让T在[0,L-1]范围内依次取值，使区域方差最大的T值便是最佳区域分割阈值

Matlab代码实现

I=imread('car.jpg');   %读入图像I=I(:,:,1);figure(1);imshow(I);[m,n]=size(I);[counts,x]=imhist(I,256);  %灰度级为[0,255][Q,~]=size(x)Pi=counts/m/n;Variance=zeros(1,Q);       %存放区域方差for k =1:Q-1    P0=sum(Pi(1:k))    P1=sum(Pi(k+1:Q))    Mu0=(1/P0)*([1:k]*counts(1:k));    Mu1=(1/P1)*([k+1:Q]*counts(k+1:Q));    Mu=P0*Mu0+P1*Mu1;    variance=P0*P1*(Mu0-Mu1)^2;    Variance(k)= variance;end[m1,n1]=max(Variance);I1=im2bw(I,n1/255);figure(2);imshow(I1)

运行结果：T=n1=137

以上是关于Otsu的全局阈值处理的实现，欢迎大家一起交流学习