OTSU一维算法概述

 OTSU一维算法，我自己的理解是自适应阈值分割法，通过对灰度图的处理自行得到一个最佳的阈值，并最后用这个阈值二值化灰度图，参考了商丘师范学院的胡颖老师的<<OTSU算法的改进与纠正>>一文，但是我用的时候效果不是很理想，于是自己进行了稍微的变动，

OTSU算法：就是计算出灰度图最佳阈值的算法

1.先对灰度图进行直方图计算并归一化处理，得到0-255之间每个像素在灰度图中出现的概率，即表示为某个像素在灰度图中出现了n个，灰度图总的像素点为N个，则这个像素的出现概率为Pi=n/N

2.每个灰度图可以由阈值k将灰度图分为A，B两大类，很容易得到A，B类在灰度图中的出现概率以及灰度均值

3.计算灰度图A,B类得类间方差，在最佳阈值K处，求得的类间方差最大，也就是类间方差最大的那个时刻的阈值就为灰度图的最佳阈值

下面结合代码讲解

int ThresholdOtsu(IplImage *src)
{
 assert(src->nChannels == 1);
 float histogram[256] = {0};

 for(int h=0;h<src->height;h++)
 {
  unsigned char* p = (unsigned char *)src->imageData +h*src->height;
   for(int w=0;w<src->width ;w++)
   {
    histogram[*p++]++;//计算直方图
   }
 }

 int totalpixel = src->width *src->height;

 for(int i=0;i<256;i++)
    histogram[i] =(float) histogram[i]/(float)totalpixel;//归一化直方图

 float maxavgvalue = 0;

 for(int i=0;i<256;i++)
  maxavgvalue = i*histogram[i];//总的灰度均值，其实在这里可将其设为0

 float PA = 0;//A类出现概率
 float PB = 0;//B类出现概率
 float Agrayvalue = 0;//A类灰度均值
 float Bgrayvalue = 0;//B类灰度均值
 float maxvariance = 0;
 float variance ;
 int threshold;

 for(int i=0;i<256;i++)
 {
        PA += histogram[i];
  PB = 1-PA;
  Agrayvalue += i*histogram[i];//A类灰度均值
  Bgrayvalue += maxavgvalue - Agrayvalue;//B类灰度均值
  //Agrayvalue = Agrayvalue/PA;
  //Bgrayvalue = Bgrayvalue/PB;
        variance = PA*(Agrayvalue-maxavgvalue)*(Agrayvalue-maxavgvalue)+PB*(Bgrayvalue-maxavgvalue)*(Bgrayvalue-maxavgvalue);//计算类间方差


   if(variance>maxvariance)
   {
    maxvariance = variance;
    threshold = i;//求得最大类间方差时的像素值，即为最佳阈值
   }
     }

 return threshold;//返回最佳阈值二值化图像

}

 

 

将这个算法放入代码中，实现的效果很理想，并且进行形态学运算后效果如下：