大津法是一种图像灰度自适应的阈值分割算法,是1979年由日本学者大津提出,并由他的名字命名的。大津法按照图像上灰度值的分布,将图像分成背景和前景两部分看待,前景就是我们要按照阈值分割出来的部分。背景和前景的分界值就是我们要求出的阈值。遍历不同的阈值,计算不同阈值下对应的背景和前景之间的类内方差,当类内方差取得极大值时,此时对应的阈值就是大津法(OTSU算法)所求的阈值。
何为类间方差?
对于图像I(x,y),前景(即目标)和背景的分割阈值记作T,属于前景的像素点数占整幅图像的比例记为ω0,其平均灰度μ0;背景像素点数占整幅图像的比例为ω1,其平均灰度为μ1。图像的总平均灰度记为μ,类间方差记为g。
假设图像的背景较暗,并且图像的大小为M×N,图像中像素的灰度值小于阈值T的像素个数记作N0,像素灰度大于阈值T的像素个数记作N1,则有:
ω0=N0/ M×N (1)
ω1=N1/ M×N (2)
N0+N1=M×N (3)
ω0+ω1=1 (4)
μ=ω0*μ0+ω1*μ1 (5)
g=ω0(μ0-μ)^2+ω1(μ1-μ)^2 (6)
将式(5)代入式(6),得到等价公式:
g=ω0ω1(μ0-μ1)^2 (7) 这个就是类间方差的公式表述
采用遍历的方法得到使类间方差g最大的阈值T,即为所求。
Otsu实现思路
1. 计算0~255各灰阶对应的像素个数,保存至一个数组中,该数组下标是灰度值,保存内容是当前灰度值对应像素数
2. 计算背景图像的平均灰度、背景图像像素数所占比例
3. 计算前景图像的平均灰度、前景图像像素数所占比例
4. 遍历0~255各灰阶,计算并寻找类间方差极大值
C++代码实现:
- #include <opencv2/highgui/highgui.hpp>
- #include <opencv2/imgproc/imgproc.hpp>
- #include <opencv2/core/core.hpp>
- #include <iostream>
-
- using namespace cv;
- using namespace std;
-
-
- int OtsuAlgThreshold(const Mat image);
-
- int main(int argc,char *argv[])
- {
- Mat image=imread(argv[1]);
- imshow("SoureImage",image);
- cvtColor(image,image,CV_RGB2GRAY);
- Mat imageOutput;
- Mat imageOtsu;
- int thresholdValue=OtsuAlgThreshold(image);
- cout<<"类间方差为: "<<thresholdValue<<endl;
- threshold(image,imageOutput,thresholdValue,255,CV_THRESH_BINARY);
- threshold(image,imageOtsu,0,255,CV_THRESH_OTSU);
-
- imshow("Output Image",imageOutput);
- imshow("Opencv Otsu",imageOtsu);
- waitKey();
- return 0;
- }
- int OtsuAlgThreshold(const Mat image)
- {
- if(image.channels()!=1)
- {
- cout<<"Please input Gray-image!"<<endl;
- return 0;
- }
- int T=0;
- double varValue=0;
- double w0=0;
- double w1=0;
- double u0=0;
- double u1=0;
- double Histogram[256]={0};
- uchar *data=image.data;
- double totalNum=image.rows*image.cols;
-
- for(int i=0;i<image.rows;i++)
- {
- for(int j=0;j<image.cols;j++)
- {
- Histogram[data[i*image.step+j]]++;
- }
- }
- for(int i=0;i<255;i++)
- {
-
- w1=0; u1=0; w0=0; u0=0;
-
- for(int j=0;j<=i;j++)
- {
- w1+=Histogram[j];
- u1+=j*Histogram[j];
- }
- if(w1==0)
- {
- break;
- }
- u1=u1/w1;
- w1=w1/totalNum;
-
-
-
- for(int k=i+1;k<255;k++)
- {
- w0+=Histogram[k];
- u0+=k*Histogram[k];
- }
- if(w0==0)
- {
- break;
- }
- u0=u0/w0;
- w0=w0/totalNum;
-
-
-
- double varValueI=w0*w1*(u1-u0)*(u1-u0);
- if(varValue<varValueI)
- {
- varValue=varValueI;
- T=i;
- }
- }
- return T;
- }
原图像:
该幅图像计算出来的大津阈值是104;
用这个阈值分割的图像:
跟OpenCV threshold方法中使用CV_THRESH_OTSU参数计算出来的分割图像一致:
直方图直观理解
大津算法可以从图像直方图上有一个更为直观的理解:大津阈值大致上是直方图两个峰值之间低谷的值。
对上述代码稍加修改,增加画出直方图部分:
- #include <opencv2/highgui/highgui.hpp>
- #include <opencv2/imgproc/imgproc.hpp>
- #include <opencv2/core/core.hpp>
- #include <iostream>
-
- using namespace cv;
- using namespace std;
-
-
- int OtsuAlgThreshold(const Mat image);
-
- int main(int argc,char *argv[])
- {
- Mat image=imread(argv[1]);
- imshow("SoureImage",image);
- cvtColor(image,image,CV_RGB2GRAY);
- Mat imageOutput;
- Mat imageOtsu;
- int thresholdValue=OtsuAlgThreshold(image);
- cout<<"类间方差为: "<<thresholdValue<<endl;
- threshold(image,imageOutput,thresholdValue,255,CV_THRESH_BINARY);
- threshold(image,imageOtsu,0,255,CV_THRESH_OTSU);
-
- imshow("Output Image",imageOutput);
- imshow("Opencv Otsu",imageOtsu);
- waitKey();
- return 0;
- }
- int OtsuAlgThreshold(const Mat image)
- {
- if(image.channels()!=1)
- {
- cout<<"Please input Gray-image!"<<endl;
- return 0;
- }
- int T=0;
- double varValue=0;
- double w0=0;
- double w1=0;
- double u0=0;
- double u1=0;
- double Histogram[256]={0};
- int Histogram1[256]={0};
- uchar *data=image.data;
- double totalNum=image.rows*image.cols;
-
- for(int i=0;i<image.rows;i++)
- {
- for(int j=0;j<image.cols;j++)
- {
- Histogram[data[i*image.step+j]]++;
- Histogram1[data[i*image.step+j]]++;
- }
- }
-
-
- Mat image1(255,255,CV_8UC3);
- for(int i=0;i<255;i++)
- {
- Histogram1[i]=Histogram1[i]%200;
- line(image1,Point(i,235),Point(i,235-Histogram1[i]),Scalar(255,0,0),1,8,0);
- if(i%50==0)
- {
- char ch[255];
- sprintf(ch,"%d",i);
- string str=ch;
- putText(image1,str,Point(i,250),1,1,Scalar(0,0,255));
- }
- }
-
-
- for(int i=0;i<255;i++)
- {
-
- w1=0; u1=0; w0=0; u0=0;
-
- for(int j=0;j<=i;j++)
- {
- w1+=Histogram[j];
- u1+=j*Histogram[j];
- }
- if(w1==0)
- {
- break;
- }
- u1=u1/w1;
- w1=w1/totalNum;
-
-
-
- for(int k=i+1;k<255;k++)
- {
- w0+=Histogram[k];
- u0+=k*Histogram[k];
- }
- if(w0==0)
- {
- break;
- }
- u0=u0/w0;
- w0=w0/totalNum;
-
-
-
- double varValueI=w0*w1*(u1-u0)*(u1-u0);
- if(varValue<varValueI)
- {
- varValue=varValueI;
- T=i;
- }
- }
-
- line(image1,Point(T,235),Point(T,0),Scalar(0,0,255),2,8);
- imshow("直方图",image1);
- return T;
- }
为显示清晰,本次使用一幅对比明显的灰度图:
OTSU分割效果:
对应阈值和直方图:
以上图像黑白对比度非常明显,从直方图上也可以看到只有两个波峰,求得的OTSU阈值为102。
上图中红色的竖线标识出了OTSu阈值分割线,显见,阈值大致位于两个波峰的低谷之间。