自适应阈值分割—大津法(OTSU算法)C++实现
转自:https://blog.csdn.net/dcrmg/article/details/52216622
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;
- //***************Otsu算法通过求类间方差极大值求自适应阈值******************
- 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); //Opencv Otsu算法
- //imshow("SoureImage",image);
- 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; //Otsu算法阈值
- double varValue=0; //类间方差中间值保存
- double w0=0; //前景像素点数所占比例
- double w1=0; //背景像素点数所占比例
- double u0=0; //前景平均灰度
- double u1=0; //背景平均灰度
- double Histogram[256]={0}; //灰度直方图,下标是灰度值,保存内容是灰度值对应的像素点总数
- uchar *data=image.data;
- double totalNum=image.rows*image.cols; //像素总数
- //计算灰度直方图分布,Histogram数组下标是灰度值,保存内容是灰度值对应像素点数
- for(int i=0;i<image.rows;i++) //为表述清晰,并没有把rows和cols单独提出来
- {
- for(int j=0;j<image.cols;j++)
- {
- Histogram[data[i*image.step+j]]++;
- }
- }
- for(int i=0;i<255;i++)
- {
- //每次遍历之前初始化各变量
- w1=0; u1=0; w0=0; u0=0;
- //***********背景各分量值计算**************************
- for(int j=0;j<=i;j++) //背景部分各值计算
- {
- w1+=Histogram[j]; //背景部分像素点总数
- u1+=j*Histogram[j]; //背景部分像素总灰度和
- }
- if(w1==0) //背景部分像素点数为0时退出
- {
- continue;
- }
- u1=u1/w1; //背景像素平均灰度
- w1=w1/totalNum; // 背景部分像素点数所占比例
- //***********背景各分量值计算**************************
- //***********前景各分量值计算**************************
- for(int k=i+1;k<255;k++)
- {
- w0+=Histogram[k]; //前景部分像素点总数
- u0+=k*Histogram[k]; //前景部分像素总灰度和
- }
- if(w0==0) //前景部分像素点数为0时退出
- {
- break;
- }
- u0=u0/w0; //前景像素平均灰度
- w0=w0/totalNum; // 前景部分像素点数所占比例
- //***********前景各分量值计算**************************
- //***********类间方差计算******************************
- double varValueI=w0*w1*(u1-u0)*(u1-u0); //当前类间方差计算
- 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;
- //***************Otsu算法通过求类间方差极大值求自适应阈值******************
- 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); //Opencv Otsu算法
- //imshow("SoureImage",image);
- 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; //Otsu算法阈值
- double varValue=0; //类间方差中间值保存
- double w0=0; //前景像素点数所占比例
- double w1=0; //背景像素点数所占比例
- double u0=0; //前景平均灰度
- double u1=0; //背景平均灰度
- double Histogram[256]={0}; //灰度直方图,下标是灰度值,保存内容是灰度值对应的像素点总数
- int Histogram1[256]={0};
- uchar *data=image.data;
- double totalNum=image.rows*image.cols; //像素总数
- //计算灰度直方图分布,Histogram数组下标是灰度值,保存内容是灰度值对应像素点数
- for(int i=0;i<image.rows;i++) //为表述清晰,并没有把rows和cols单独提出来
- {
- for(int j=0;j<image.cols;j++)
- {
- Histogram[data[i*image.step+j]]++;
- Histogram1[data[i*image.step+j]]++;
- }
- }
- //***********画出图像直方图********************************
- 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));
- }
- }
- //***********画出图像直方图********************************
- for(int i=0;i<255;i++)
- {
- //每次遍历之前初始化各变量
- w1=0; u1=0; w0=0; u0=0;
- //***********背景各分量值计算**************************
- for(int j=0;j<=i;j++) //背景部分各值计算
- {
- w1+=Histogram[j]; //背景部分像素点总数
- u1+=j*Histogram[j]; //背景部分像素总灰度和
- }
- if(w1==0) //背景部分像素点数为0时退出
- {
- break;
- }
- u1=u1/w1; //背景像素平均灰度
- w1=w1/totalNum; // 背景部分像素点数所占比例
- //***********背景各分量值计算**************************
- //***********前景各分量值计算**************************
- for(int k=i+1;k<255;k++)
- {
- w0+=Histogram[k]; //前景部分像素点总数
- u0+=k*Histogram[k]; //前景部分像素总灰度和
- }
- if(w0==0) //前景部分像素点数为0时退出
- {
- break;
- }
- u0=u0/w0; //前景像素平均灰度
- w0=w0/totalNum; // 前景部分像素点数所占比例
- //***********前景各分量值计算**************************
- //***********类间方差计算******************************
- double varValueI=w0*w1*(u1-u0)*(u1-u0); //当前类间方差计算
- if(varValue<varValueI)
- {
- varValue=varValueI;
- T=i;
- }
- }
- //画出以T为阈值的分割线
- 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。
自适应阈值分割—大津法(OTSU算法)C++实现相关推荐
- otsu阈值分割算法原理_大津法---OTSU算法
简介: 大津法(OTSU)是一种确定图像二值化分割阈值的算法,由日本学者大津于1979年提出.从大津法的原理上来讲,该方法又称作最大类间方差法,因为按照大津法求得的阈值进行图像二值化分割后,前景与背景 ...
- 【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+ ...
- OpenCV与图像处理学习七——传统图像分割之阈值法(固定阈值、自适应阈值、大津阈值)
OpenCV与图像处理学习七--传统图像分割之阈值法(固定阈值.自适应阈值.大津阈值) 一.固定阈值图像分割 1.1 直方图双峰法 1.2 OpenCV中的固定阈值分割 二.自动阈值图像分割 2.1 ...
- 【智能车】图像二值化算法--大津法OTSU
图像二值化算法–大津法OTSU 大津算法是一种图像二值化算法,作用是确定将图像分成黑白两个部分的阈值. 大津法是针对灰度值进行阈值分割二值化,如果是彩色图像的话需要先转化成灰度图再进行计算. 方差越大 ...
- 【图像处理】——图像的二值化操作及阈值化操作(固定阈值法(全局阈值法——大津法OTSU和三角法TRIANGLE)和自适应阈值法(局部阈值法——均值和高斯法))
目录 一.二值化的概念(实际上就是一个阈值化操作) 1.概念: 2.实现方法 3.常用方法 二.阈值类型 1.常见阈值类型(主要有五种类型) (1)公式描述 (2)图表描述 2.两种特殊的阈值算法(O ...
- 算法001:大津法OTSU学习记录
OTSU算法 一.大津法主要的工作是什么? 大多数时候,我们需要获取到一幅图像中的特定目标.如果可以根据像素值将图像进行合理的分割,例如全局阈值分割那样,找到一个阈值TTT,大于阈值TTT的赋予一个像 ...
- 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 ...
- 图像分割——大津法(Otsu)
大津法又叫最大类间方差法,是于1979年由日本学者大津展之提出的一种对图像进行二值化的高效算法,是在判别与最小二乘法原理的基础上推导出来的. 算法原理 把直方图在某一阈值处分割为两组,当前分成的两组间 ...
- 图像分割之大津法Otsu
中文网上大津法的介绍很多,但是大多数给出的代码不是最优的而且存在分母为零的问题. 基本概念 大津法(简称Otsu)由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,相关文献链接.它是根据图 ...
最新文章
- spring boot实战(第七篇)内嵌容器tomcat配置
- 【学习笔记】Eureka服务治理代码实例、相关配置和原理机制详解
- CUDA 4.0真技术解析
- LuceneLucene简介
- Java生鲜电商平台-促销系统的架构设计与源码解析
- 手绘线条图画机器人_怎么把照片转换成手绘图画?怎么加水印?
- 战“疫”日记②|火神山小分队:像听到发令枪一样;徐碧江带勇士集结长沙“小汤山”...
- 在中国云市场淘金?看国际云大佬如何“软着陆”
- MAC查看系统版本的命令
- 三星魔术师软件安装:检测到漏洞 此程序将被关闭
- 联通的G网和C网分别是什么意思?
- C语言绘图示例-繁花图案
- hmc830相位噪声_支持紧凑型LO解决方案,还是靠“PLL VCO”最佳拍档
- 服务器开机显示f1 f2,开机按f1的解决方法|开机按f2的解决方法|电脑开机按f1怎么解决...
- python复数的实部和虚部都是整数嘛_数字类型
- error C2664: 'atof' : cannot convert parameter 1 from 'int' to 'const char *'
- 《网易裁员》这是一次失败的危机公关
- StringBuffer是安全的吗?
- 磁力连接是如何接入DHT网络并下载文件的
- SQL相关的时间日期类型
热门文章
- PHP递归法因式分解,[分治算法]因式分解
- 音频编解码·实战篇(1)PCM转至AAC(AAC编码)
- 2019.03.28 博客反省
- SpringBoot项目--智慧农业
- 工作轻松了,我就变懒了......
- 电子计算机工程w,2019恭喜,UCSB电子计算机工程硕士录取
- 新公司法下股权变更登记审查应当注意的问题
- CMake 编译jsoncpp
- iconfont无法使用时的应急解决方案
- Duplicate class org.apache.commons.logging.Log found in modules jetified-commons-logging-1.1.3解决方法汇总