這是前年年底我做過的一個項目，項目中我用到了大津法來處理omr識別的自動閾值問題，經過測試，該算法可以對不規範的塗寫答題卡進行高效識別（比如以打對勾進行塗寫的），而且是僅僅是幾十行代碼就實現了這樣的功能。
看如果對如下這樣的調查問卷進行識別：
在用大津法之前會有很多圖像預處理及複雜的識別過程，這裏略去，感興趣的讀者可以參看相關的文章。
我們這裏假設成功的完成以上的步驟，成功的分割了卡片，分離出若干的基於二值或者灰度的答題框（這裏，爲表達方便，對答題框簡寫爲CM，下文將均採用CM來代表分離出的答題框位圖），如下：
塗了的CM，黑像素的比率自然就大些，我們下面要做的就是要在這些若干個CM中選出塗改了的CM。這裏先簡單介紹一下大津法。
大津法是由日本學者大津(Nobuyuki Otsu)於1979年提出的,是一種自適應的閾值確定的方法,又叫最大類間方差法,簡稱OTSU。它是用來對圖像閾值化的。我們說大津法實際上是對集合的一個二分類，大津法是作用於某覆範空間M，如果M有進行二分類的需求。可以用大津法進行集合的兩分類。
再回到omr識別上來，像素比率是實數域上的覆範空間，定義範數爲其絕對值，而且我們這裏的識別是否塗寫就是二分類（塗寫了和沒有塗寫），所以說完全的符合大津法的要求。
我們簡述一下大津法的過程：
對於圖像I(x,y),塗改的和未塗改的黑像素比率的分割閾值記作
圖像的大小爲
將式(1.5)代入式(1.6),得到等價公式:
採用遍歷的方法得到使類間方差最大的閾值,即爲所求。
我們對答題卡塗寫一般是用2B鉛筆全塗（要儘可能的適用於不規範的情況），對調查問卷則可能打對勾等，我們要適用於各種情況，所以絕不能用固定閾值來處理。大津法恰恰能動態的對目標和背景進行區分，最大限度的保證它的穩定性。
參考資料：
[1] 大津法原理
