【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++）

jackwang 发布于2021-09-24 09:48 / 3146人阅读

摘要：当取最佳阈值时，两部分之间的差别应该是最大的。在算法中所采用的衡量差别的标准就是较为常见的最大类间方差。当所取阈值的分割使类间方差最大时，就意味着错分概率最小。

概念

        Otsu算法，也叫最大类间方差法，是1979年由日本学者大津提出的（所以也叫大津法），是一种自适应阈值确定的方法，是一种全局的二值化算法。
        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。当取最佳阈值时，两部分之间的差别应该是最大的。在Otsu算法中所采用的衡量差别的标准就是较为常见的最大类间方差。前景和背景之间的类间方差如果越大，就说明构成图像的两个部分之间的差别越大。
        当部分目标被错分为背景或部分背景被错分为目标，都会导致两部分差别变小。
        当所取阈值的分割使类间方差最大时，就意味着错分概率最小。

C++源码

OtsuThreshold

/******************************************************************************************Function:       OtsuThresholdDescription:	图片二值化最佳阈值确定（大津法,OTSU算法)Input:          src:原图片Return:         阈值******************************************************************************************/int OtsuThreshold(Mat src){	int threshold;	try	{		int height = src.rows;		int width = src.cols;		//histogram  		float histogram[256] = { 0 };		for (int i = 0; i < height; i++) 		{			unsigned char* p = (unsigned char*)src.data + src.step*i;			for (int j = 0; j < width; j++) 			{				histogram[*p++]++;			}		}		//normalize histogram  		int size = height*width;		for (int i = 0; i < 256; i++) 		{			histogram[i] = histogram[i] / size;		}		//average pixel value  		float avgValue = 0;		for (int i = 0; i < 256; i++) 		{			avgValue += i*histogram[i];		}		float maxVariance = 0;		float w = 0, u = 0;		for (int i = 0; i < 256; i++) 		{			w += histogram[i];			u += i*histogram[i];			float t = avgValue*w - u;			float variance = t*t / (w*(1 - w));			if (variance > maxVariance) 			{				maxVariance = variance;				threshold = i;			}		}	}	catch (cv::Exception e)	{	}	return threshold;}//————————————————//版权声明：本文为CSDN博主「Sharon Liu」的原创文章，遵循CC 4.0 BY - SA版权协议，转载请附上原文出处链接及本声明。//原文链接：https ://blog.csdn.net/sylsjane/article/details/80872744

主函数

图片路径根据实际情况调整，注意反斜杠是转义字符的开头，故“/”应替换为“//”

int main(int argc, char * argv[]){	Mat Image = imread("D://Work//OpenCV//Workplace//Test_1//1.jpg", 0);	int thresholdValue = OtsuThreshold(Image);	cout << "类间方差为： " << thresholdValue << endl;	Mat imageOutput;	threshold(Image, imageOutput, thresholdValue, 255, CV_THRESH_BINARY);	Mat imageOtsu;	threshold(Image, imageOtsu, 0, 255, CV_THRESH_OTSU); //Opencv Otsu算法	imshow("原图", Image);	imshow("Output Image", imageOutput);	imshow("Opencv Otsu", imageOtsu);	waitKey(0);	return 0;}

效果

原图

效果

OpenCv自带的Otsu算法结果，与上图一致

完整源码

#include #include #include using namespace cv;using namespace std;/******************************************************************************************Function:       OtsuThresholdDescription:	图片二值化最佳阈值确定（大津法,OTSU算法)Input:          src:原图片Return:         阈值******************************************************************************************/int OtsuThreshold(Mat src){	int threshold;	try	{		int height = src.rows;		int width = src.cols;		//histogram  		float histogram[256] = { 0 };		for (int i = 0; i < height; i++) 		{			unsigned char* p = (unsigned char*)src.data + src.step*i;			for (int j = 0; j < width; j++) 			{				histogram[*p++]++;			}		}		//normalize histogram  		int size = height*width;		for (int i = 0; i < 256; i++) 		{			histogram[i] = histogram[i] / size;		}		//average pixel value  		float avgValue = 0;		for (int i = 0; i < 256; i++) 		{			avgValue += i*histogram[i];		}		float maxVariance = 0;		float w = 0, u = 0;		for (int i = 0; i < 256; i++) 		{			w += histogram[i];			u += i*histogram[i];			float t = avgValue*w - u;			float variance = t*t / (w*(1 - w));			if (variance > maxVariance) 			{				maxVariance = variance;				threshold = i;			}		}	}	catch (cv::Exception e)	{	}	return threshold;}//————————————————//版权声明：本文为CSDN博主「Sharon Liu」的原创文章，遵循CC 4.0 BY - SA版权协议，转载请附上原文出处链接及本声明。//原文链接：https ://blog.csdn.net/sylsjane/article/details/80872744int main(int argc, char * argv[]){	Mat Image = imread("D://Work//OpenCV//Workplace//Test_1//1.jpg", 0);	int thresholdValue = OtsuThreshold(Image);	cout << "类间方差为： " << thresholdValue << endl;	Mat imageOutput;	threshold(Image, imageOutput, thresholdValue, 255, CV_THRESH_BINARY);	Mat imageOtsu;	threshold(Image, imageOtsu, 0, 255, CV_THRESH_OTSU); //Opencv Otsu算法	imshow("原图", Image);	imshow("Output Image", imageOutput);	imshow("Opencv Otsu", imageOtsu);	waitKey(0);	return 0;}

云服务器私有云机器学习法最佳值计算法最大简约法的算法学习法

文章版权归作者所有，未经允许请勿转载,若此文章存在违规行为，您可以联系管理员删除。

转载请注明本文地址：https://www.ucloud.cn/yun/120951.html

用JavaScript来计算两个图像的相似度

摘要：最近看了阮一峰老师的相似图片搜索的原理二，其中介绍了通过内容特征法来对比两个图片的相似性。不知道是不是哪步出错了，感觉用这个方法计算出来的结果并不理想最近看了阮一峰老师的相似图片搜索的原理（二），其中介绍了通过内容特征法来对比两个图片的相似性。大致步骤：把图片都缩放到50x50大小转成灰度图片利用大津法（Otsus method）确定阈值通过阈值再对图片进行二值化对比两...

Leck1e 2019-08-26 10:31 评论0 收藏0
OpenCV-自适应阈值函数cv::adaptiveThreshold

摘要：类型的，输出图像。类型的，自适应阈值算法类型。为均值法获取阈值，为高斯窗加权和获取阈值。类型的，窗口的大小，只能为奇数。类型的，自适应阈值算法得到平均值或加权平均值后，再减的常数值。作者：翟天保Steven 版权声明：著作权归作者所有，商业转载请联系作者获得授权，非商业转载请注明出处函数...

fuchenxuan 2021-10-13 09:40 评论0 收藏0
2021-09-23 opencv学习笔记（图像变换，二值化，滤波器介绍及python实现）

摘要：但是考虑一个双峰图像简单来说，双峰图像是一个直方图有两个峰值的图像。对于非双峰图像，二值化将不准确。在第三种情况下，我使用高斯核过滤图像以去除噪声，然后应用阈值。 ...

CloudDeveloper 2021-09-26 09:55 评论0 收藏0
opencv python 图像二值化/简单阈值化/大津阈值法

摘要：对于非双峰图像，二值化不准确。如果未使用阈值法，则与之前使用的阈值相同在第一种情况下，将全局阈值应用为值在第二种情况下，直接应用了的阈值在第三种情况下，使用高斯内核过滤图像以消除噪声，然后应用阈值处理代码 Image Thresholding 1简单的阈值化 cv2.threshold第一个参数是源图像，它应该是灰度图像. 第二个参数是用于对像素值进行分类的阈值, 第三个参数是max...

luoyibu 2019-07-30 17:04 评论0 收藏0
机器学习实战_集成学习（一）

摘要：集成学习集成学习通过构建并结合多个学习器来完成学习任务，比单一学习器获得显著优越的泛化性能。在此情形下，初始设置的学习轮数也许还远未达到，可能导致最终集成中只包含很少的基学习器而性能不佳。集成学习集成学习(ensemble learning)通过构建并结合多个学习器来完成学习任务，比单一学习器获得显著优越的泛化性能。想要获得好的集成，个体学习器应好而不同，要保证准确性和多样性。要产...

MingjunYang 2019-06-26 16:01 评论0 收藏0