阈值分割:最大类间方差法
阈值分割:最大类间方差法
一、简介
最大类间方差法,又称为大津阈值法,或OTSU算法。是由日本学者大津在197919791979年提出的一种非参数的、无监督的自动选择阈值的图像分割方法。
二、算法描述
2.1 公式推导
对于给定的一幅具有 LLL 个灰度级([0,1,2,⋯,L−1][0,1,2,\cdots,L-1][0,1,2,⋯,L−1])的灰度图像,有以下描述:
- 使用 nin_{i}ni 表示处于灰度级 iii 的像素块的数目;
- 使用 N=n0+n1+⋯+nL−1N = n_0 + n_1 + \cdots + n_{L-1}N=n0+n1+⋯+nL−1 表示该图像所有像素块的数目总和。
对该图像的灰度级直方图进行 标准化处理 可以得到一个概率分布:
pi=niN,pi≥0,∑i=0L−1pi=1(1)p_i = \frac{n_i}{N},\quad p_i \ge 0,\quad \sum_{i=0}^{L-1}{p_i} =1 \tag{1} pi=Nni,pi≥0,i=0∑L−1pi=1(1)
以灰度级 kkk 为 阈值,可将该图像中的像素块二分为两大类 C0C_{0}C0 和 C1C_{1}C1 (背景和前景,反之亦然),其中:
- C0C_0C0 表示灰度级在范围 [0,1,⋯,k−1][0,1,\cdots,k-1][0,1,⋯,k−1] 的像素集合;
- C1C_1C1 表示灰度级在范围 [k,k+1,⋯,L−1][k,k+1,\cdots,L-1][k,k+1,⋯,L−1] 的像素集合。
记 w0w_0w0 与 w1w_1w1 分别为类 C0C_0C0 和类 C1C_1C1 发生的概率,则显然有:
∑i=1L−1pi=w0+w1=1(2)\sum_{i = 1}^{L-1}{p_i} = w_0 + w_1 = 1 \tag{2} i=1∑L−1pi=w0+w1=1(2)
其中,w0w_0w0 与 w1w_1w1 可表示为 零阶矩 的形式:
w0=Pr(C0)=∑i=0k−1pi=w(k)(3)w_0 = Pr(C_0) = \sum_{i = 0}^{k-1}{p_{i}} = w(k) \tag{3} w0=Pr(C0)=i=0∑k−1pi=w(k)(3)
w1=Pr(C1)=∑i=kL−1pi=1−w(k)(4)w_1 = Pr(C_1) = \sum_{i = k}^{L-1}{p_{i}} = 1 - w(k) \tag{4} w1=Pr(C1)=i=k∑L−1pi=1−w(k)(4)
类 C0C_0C0 与 类 C1C_1C1 发生的 期望 (或均值)可表示为 一阶矩 的形式:
μ0=∑i=0k−1iPr(i∣C0)=∑i=0k−1ipiw0=1w0∑i=0k−1ipi=μ(k)w(k)(5)\mu_0 = \sum_{i=0}^{k-1}{iPr(i|C_0)} = \sum_{i=0}^{k-1}{i \frac{p_i}{w_0}} = \frac{1}{w_0}\sum_{i = 0}^{k-1}{ip_i} = \frac{\mu(k)}{w(k)} \tag{5} μ0=i=0∑k−1iPr(i∣C0)=i=0∑k−1iw0pi=w01i=0∑k−1ipi=w(k)μ(k)(5)
μ1=∑i=kL−1iPr(i∣C1)=∑i=kL−1ipiw1=1w1∑i=kL−1ipi=μT−μ(k)1−w(k)(5)\mu_1 = \sum_{i=k}^{L-1}{iPr(i|C_1)} = \sum_{i=k}^{L-1}{i \frac{p_i}{w_1}} = \frac{1}{w_1}\sum_{i = k}^{L-1}{ip_i}=\frac{\mu_{T} - \mu(k)}{1 - w(k)} \tag{5} μ1=i=k∑L−1iPr(i∣C1)=i=k∑L−1iw1pi=w11i=k∑L−1ipi=1−w(k)μT−μ(k)(5)
其中:
μ(k)=∑i=0k−1ipi,μT=∑i=0L−1ipi(6)\mu(k) = \sum_{i = 0}^{k-1}{ip_i},\quad\mu_{T} = \sum_{i = 0}^{L-1}{ip_i} \tag{6} μ(k)=i=0∑k−1ipi,μT=i=0∑L−1ipi(6)
显然,有:
μ0w0+μ1w1=μT(7)\mu_0 w_0 + \mu_1 w_1 =\mu_{T} \tag{7} μ0w0+μ1w1=μT(7)
类 C0C_0C0 与 类 C1C_1C1 发生的 方差 可以表示为 二阶矩 的形式:
σ02=∑i=0k−1(i−μ0)2Pr(i∣C0)=∑i=0k−1(i−μ0)2piw0(8)\sigma_{0}^{2} = \sum_{i = 0}^{k-1}{(i - \mu_{0})^{2}Pr(i|C_0)} = \sum_{i = 0}^{k-1}{(i - \mu_0)^2\frac{p_i}{w_0}} \tag{8} σ02=i=0∑k−1(i−μ0)2Pr(i∣C0)=i=0∑k−1(i−μ0)2w0pi(8)
σ12=∑i=kL−1(i−μ1)2Pr(i∣C1)=∑i=kL−1(i−μ1)2piw1(9)\sigma_1^{2} = \sum_{i = k}^{L-1}{(i - \mu_1)^{2}Pr(i|C_1)} = \sum_{i = k}^{L-1}{(i - \mu_1)^{2}\frac{p_i}{w_1}} \tag{9} σ12=i=k∑L−1(i−μ1)2Pr(i∣C1)=i=k∑L−1(i−μ1)2w1pi(9)
为了评估所选阈值 kkk 的 优良(goodness),引入以下三种 判别标准度量:
λ=σB2σW2,κ=σT2σW2,η=σB2]σT2(10)\lambda = \frac{\sigma_{B}^{2}}{\sigma_{W}^{2}},\quad \kappa = \frac{\sigma_{T}^{2}}{\sigma_{W}^{2}},\quad \eta = \frac{\sigma_{B}^{2]}}{\sigma_{T}^{2}} \tag{10} λ=σW2σB2,κ=σW2σT2,η=σT2σB2](10)
其中:
(1)类内方差(within-class variance,简记为 σwith2\sigma_{with}^{2}σwith2 或 σW2\sigma_{W}^{2}σW2)满足:
σW2=w0σ02+w1σ12(11)\sigma_{W}^{2} = w_0 \sigma_{0}^{2} + w_1 \sigma_{1}^{2} \tag{11} σW2=w0σ02+w1σ12(11)
(2)类间方差(between-class variance,简记为 σBetween2\sigma_{Between}^{2}σBetween2 或 σB2\sigma_{B}^{2}σB2)满足:
σB2=w0(μ0−μT)2+w1(μ1−μT)2=w0w1(μ1−μ0)2(12)\sigma_{B}^{2} = w_{0}(\mu_{0} - \mu_{T})^{2} + w_1(\mu_{1} - \mu_{T})^{2} = w_{0}w_{1}(\mu_{1} - \mu_{0})^{2} \tag{12} σB2=w0(μ0−μT)2+w1(μ1−μT)2=w0w1(μ1−μ0)2(12)
(3)全局方差(total variance,简记为 σTotal2\sigma_{Total}^{2}σTotal2 或 σT2\sigma_{T}^{2}σT2)满足:
σT2=∑i=0L−1(i−μT)2pi(13)\sigma_{T}^{2} = \sum_{i = 0}^{L-1}{(i - \mu_{T})^{2}p_{i}} \tag{13} σT2=i=0∑L−1(i−μT)2pi(13)
合适的阈值会将图像分割为两类。反过来就是说,能在灰度水平上实现最佳分离的阈值将是最合适的阈值。
因此,利用引入的判别标准度量,可以将问题转化为一个优化问题:寻找一个合适的阈值 kkk 最大化某一个判别标准度量函数(λ\lambdaλ,κ\kappaκ 以及 η\etaη 中的某一个)。
那么选择哪一个判别标准度量最为合适呢?
实际上,最大化判别标准 λ\lambdaλ,κ\kappaκ 以及 η\etaη 是相互等价的。
因为,以 λ\lambdaλ 为单位可以分别表示 κ\kappaκ 以及 η\etaη:
κ=λ+1,η=λλ+1(14)\kappa = \lambda + 1,\quad \eta = \frac{\lambda}{\lambda + 1} \tag{14} κ=λ+1,η=λ+1λ(14)
并且以下基本关系式始终成立:
σW2+σB2=σT2(15)\sigma_{W}^{2} + \sigma_{B}^{2} = \sigma_{T}^{2} \tag{15} σW2+σB2=σT2(15)
也就是说,当三个判别标准度量中的任意一个达到最大时,另外两个都会达到最大值。其中:
- σW2\sigma_{W}^{2}σW2 和 σB2\sigma_{B}^{2}σB2 均是阈值 kkk 的函数;
- σT2\sigma_{T}^{2}σT2 与阈值 kkk 无关;
- σW\sigma_{W}σW 需要计算二阶矩,而 σB2\sigma_{B}^{2}σB2 仅仅需要计算一阶矩。
所以,η\etaη 是关于阈值 kkk 的最简单的判别标准度量。
因此,使用 η\etaη 作为评估阈值 kkk 优良 的判别标准。
现在,求解最大化判别标准 η\etaη 时的最佳阈值 k∗k^{*}k∗。 分析 η=σB2σT2\eta = \frac{\sigma_{B}^{2}}{\sigma_{T}^{2}}η=σT2σB2 可知,最大化 η\etaη 即最大化 σB2\sigma_{B}^{2}σB2。即:
η(k)=σB2(k)σT2(16)\eta(k) = \frac{\sigma_{B}^{2}(k)}{\sigma_{T}^{2}} \tag{16} η(k)=σT2σB2(k)(16)
并且有:
σB2(k)=[μTw(k)−μ(k)]2w(k)[1−w(k)](17)\sigma_{B}^{2}(k) = \frac{\left[ \mu_{T} w(k) - \mu(k)\right]^{2}}{w(k)\left[1 - w(k)\right]} \tag{17} σB2(k)=w(k)[1−w(k)][μTw(k)−μ(k)]2(17)
最优阈值 k∗k^{*}k∗ 可以表示为:
k∗=argmax1≤k≤L−1σB2(k)(18)k^{*} = \arg \underset{1 \le k \le L-1}{\max}{\sigma_{B}^{2}{(k)}} \tag{18} k∗=arg1≤k≤L−1maxσB2(k)(18)
其中,阈值 kkk 的搜索范围可以表示为:
S∗={k∣w0w1=w(k)[1−w(k)]>0,or0<w(k)<1}(19)S^{*} = \{k~|~ w_0 w_1 = w(k)\left[1 - w(k)\right] > 0, ~ o r~ 0<w(k)<1\} \tag{19} S∗={k ∣ w0w1=w(k)[1−w(k)]>0, or 0<w(k)<1}(19)
该范围称为灰度直方图的有效范围。
从公式(12)中
σB2=w0(μ0−μT)2+w1(μ1−μT)2=w0w1(μ1−μ0)2\sigma_{B}^{2} = w_{0}(\mu_{0} - \mu_{T})^{2} + w_1(\mu_{1} - \mu_{T})^{2} = w_{0}w_{1}(\mu_{1} - \mu_{0})^{2} σB2=w0(μ0−μT)2+w1(μ1−μT)2=w0w1(μ1−μ0)2
可以看出:
- 当选定的阈值 k∈S−S∗={k∣w(k)=0or1}k \in S - S^{*} = \{k ~|~w(k) = 0~or~1\}k∈S−S∗={k ∣ w(k)=0 or 1} 时,判别标准度量 η\etaη 取最小值 000。
- 当选定的阈值 k∈S∗k \in S^{*}k∈S∗ 时,判别标准度量 η\etaη 取一个正的且有界的值。
因此,显而易见,判别标准的最大值始终存在。
2.2 算法分析
对于选定的阈值 k∗k^{*}k∗:
w0∗=Pr(C0∗)=∑i=0k∗−1pi=w(k∗)(20)w_{0}^{*} = Pr(C_{0}^{*}) = \sum_{i = 0}^{k^{*} - 1}{p_i} = w(k^{*}) \tag{20} w0∗=Pr(C0∗)=i=0∑k∗−1pi=w(k∗)(20)
w1∗=Pr(C1∗)=∑i=k∗L−1pi=1−w(k∗)(21)w_{1}^{*} = Pr(C_1^{*}) = \sum_{i = k^{*}}^{L-1}{p_{i}} = 1 - w(k^{*}) \tag{21} w1∗=Pr(C1∗)=i=k∗∑L−1pi=1−w(k∗)(21)
分别表示了灰度图像按照阈值 k∗k^{*}k∗ 所划分的两类的发生概率。
类 C0∗C_{0}^{*}C0∗ 与类 C1∗C_{1}^{*}C1∗ 发生的 期望 分别为:
μ0∗=∑i=0k∗−1iPr(i∣C0∗)=∑i=0k∗−1ipiw0∗=μ(k∗)w(k∗)(22)\mu_{0}^{*} = \sum_{i = 0}^{k^{*}-1}{iPr(i|C_{0}^{*})} = \sum_{i = 0}^{k^{*} - 1}{i \frac{pi}{w_{0}^{*}}} = \frac{\mu(k^{*})}{w(k^{*})} \tag{22} μ0∗=i=0∑k∗−1iPr(i∣C0∗)=i=0∑k∗−1iw0∗pi=w(k∗)μ(k∗)(22)
μ1∗=∑i=k∗L−1iPr(i∣C1∗)=∑i=k∗L−1ipiw1∗=μT−μ(k∗)1−w(k∗)(23)\mu_{1}^{*} = \sum_{i = k^{*}}^{L-1}{iPr(i|C_{1}^{*})} = \sum_{i = k^{*}}^{L-1}{i\frac{p_i}{w_1^{*}}} = \frac{\mu_{T} - \mu(k^{*})}{1 - w(k^{*})} \tag{23} μ1∗=i=k∗∑L−1iPr(i∣C1∗)=i=k∗∑L−1iw1∗pi=1−w(k∗)μT−μ(k∗)(23)
将判别标准 η\etaη 的最大值 η(k∗)\eta(k^{*})η(k∗) 简记为 η∗\eta^{*}η∗,可以用作评估灰度图像中类的可分性的标准。这是一个重要的度量,它在灰度尺度的放射变化(也就是说,对于任意的位移和扩张)下是不变的。
2.3 算法扩展
实际上,利用判别准则,可以直接将OTSU算法推广至 多阈值 的情形。例如:
在三阈值的情形下,可以选择两个阈值 0≤k1k2≤10 \le k_1 k_2 \le 10≤k1k2≤1 将原始灰度图像分化为三类。此时标准度量 η\etaη 存在两个参数 k1k_1k1 与 k2k_2k2,最佳阈值 k1∗,k2∗k_1^{*},k_{2}^{*}k1∗,k2∗ 可通过最大化 η\etaη:
(k1∗,k2∗)=argmax1≤k1≤k2≤L−1σB2(k1,k2)(24)(k_{1}^{*},k_{2}^{*})=\arg \underset{1 \le k_{1} \le k_{2} \le L-1}{\max}{\sigma_{B}^{2}(k_{1},k_{2})} \tag{24} (k1∗,k2∗)=arg1≤k1≤k2≤L−1maxσB2(k1,k2)(24)
进行求解。
参考文献
[1] Ostu N , Nobuyuki O , Otsu N . A thresholding selection method from gray level histogram. 1979.
阈值分割:最大类间方差法相关推荐
- 图像分割 - 阈值处理 - 最大类间方差法(OTSU)
目录 1. OTSU 介绍 2. 代码实现 1. OTSU 介绍 OTSU 大津法,也是最大类间方差算法 OTSU 算法的思想通过不同的阈值K,将图像的分为两个区域,一个是灰度值 0 <= k ...
- 数字图像处理实验(六)|图像分割{阈值分割、直方图法、OTUS最大类间方差法(edge、im2dw、imfilter、imresize)、迭代阈值法、点检测}(附matlab实验代码和截图)
文章目录 一.实验目的 二.实验原理 (一) 阈值分割 1. 直方图法 2.OTSU法(最大类间方差法)确定阈值 3. 迭代阈值法 4. 点检测 (二)边缘检测 三.实验内容 (一)阈值分割 1. 直 ...
- 【机器视觉学习笔记】大津法/Otsu最大类间方差法 最佳阈值处理(C++)
目录 概念 C++源码 OtsuThreshold 主函数 效果 完整源码 平台:Windows 10 20H2 Visual Studio 2015 OpenCV 4.5.3 本文所用源码修改自C+ ...
- 基于OTSU最大类间方差法的ROI分割、提取图像中的形状特征--面积、周长、离心率、zernike矩
分享一下最近学习的图像分类方面知识,整体的思路如下(之前的汇报ppt里截的) 把这个过程拆分几个部分共同学习一下吧 1.Otsu法原理 最大类间方差法OTSU是一种自适应的全局阈值确定的方法,根据灰度 ...
- CUDA精进之路(五):图像处理——OTSU二值算法(最大类间方差法、大津法)
引言 最近在做医疗设备相关的项目,故在项目中大量用到了各类图像分割的算法,为了在图像中分割出特定目标,用到的算法可以有很多,比如阈值分割,多通道分割,边缘分割以及一些前沿的组合分割.而对大多数图像来说 ...
- 最大类间方差法(大津法OTSU)原理
算法介绍 最大类间方差法是1979年由日本学者大津提出的,是一种自适应阈值确定的方法,又叫大津法,简称OTSU,是一种基于全局的二值化算法,它是根据图像的灰度特性,将图像分为前景和背景两个部分.当取最 ...
- 基于遗传算法的二维最大类间方差法的图像分割优化
一.背景 最大类间方差阈值分割法日本大津展之在1980年提出的,其基本思路是将图像的直方图以某一灰度为阈值,将图像分成两组并计算两组的方差,当被分成的两组之间的方差最大时,就以这个灰度值为國值分割图像 ...
- Ostu最大类间方差法的C++实现
一.Ostu的原理 最大类间方差法是由日本学者大津(Nobuyuki Ostu)在1979年提出的,该方法根据计算公式自动计算分割单域值,是一种根据灰度图像自动计算阈值的方法.它按照灰度图像的灰度值等 ...
- 图像二值化之最大类间方差法(大津法,OTSU)
参考文章1:图像二值化与otsu算法介绍 参考文章2:python opencv cv2.threshold() (将固定级别的阈值应用于每个数组元素)ThresholdTypes 最大类间方差法(大 ...
- opencv与C++实现最大类间方差法(OTSU)进行图像二值化
直接上代码,使用最大类间方差法进行二值化的函数 void threshold_otsu(Mat &mat, Mat &mat_thresh) //mat为输入图像,mat_thresh ...
最新文章
- Spring mvc3的ajax
- Selenium3自动化测试——15.调用Javascript进行滚动条控制
- hibernate插入DB时间
- Python入门100题 | 第006题
- 写一个简单的实时互动小游戏
- linux shell sleep/wait(转载)
- Kotlin — 使用IDEA运行第一个Kotlin程序,打印“Hello World”!
- PPT常用功能及其实现
- OPNsense用户手册-强制网络门户
- 中国八横八纵大容量光纤通信网——世界级光纤通信网
- SAP ADM100 学习笔记
- MiniGUI中的几个画线函数
- 如何让3ds Max 2016导入smd文件
- Spring-AOP术语
- Windows10抽风系列:一、卡顿、字体显示丢失
- python调用函数示例_Python使用execjs运行JS函数示例,python,execJS,例子
- python学习 字典
- AnyTXT 一款强大的本地文件内容搜索软件
- 阿里云服务器ESSD云盘吞吐量IOPS及性能级别PL0、PL1、PL2和PL3参数说明
- 爬虫基本原理与实战---1、爬虫实战概述