CV笔记5：图像分割之最大类间方差法、自适应阈值分割(基于python-opencv实现)

目录

一、简介

二、最大类间方差法（大津法）

2.1 最大类间方差法原理

2.2 基于opencv的实现（简单阈值分割、Otsu阈值分割）

三、自适应阈值分割

参考

一、简介

图像阈值化分割是一种传统的最常用的图像分割方法，因其实现简单、计算量小、性能较稳定而成为图像分割中最基本和应用最广泛的分割技术。它特别适用于目标和背景占据不同灰度级范围的图像。它不仅可以极大的压缩数据量，而且也大大简化了分析和处理步骤，因此在很多情况下，是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。图像阈值化的目的是要按照灰度级，对像素集合进行一个划分，得到的每个子集形成一个与现实景物相对应的区域，各个区域内部具有一致的属性，而相邻区域不具有这种一致属性。这样的划分可以通过从灰度级出发选取一个或多个阈值来实现。

二、最大类间方差法（大津法）

大津法又叫最大类间方差法、最大类间阈值法（OTSU）。它的基本思想是，用一个阈值将图像中的数据分为两类，一类中图像的像素点的灰度均小于这个阈值，另一类中的图像的像素点的灰度均大于或者等于该阈值。如果这两个类中像素点的灰度的方差越大，说明获取到的阈值就是最佳的阈值（方差是灰度分布均匀性的一种度量,背景和前景之间的类间方差越大,说明构成图像的两部分的差别越大,当部分前景错分为背景或部分背景错分为前景都会导致两部分差别变小，因此,使类间方差最大的分割意味着错分概率最小）。利用该阈值可以将图像分为前景和背景两个部分，而我们所感兴趣的部分一般为前景。通过上述，我们可以看出，大津法是一种全局阈值法。

大津法计算简单快速，不受图像亮度和对比度的影响。但对图像噪声敏感；只能针对单一目标分割；当目标和背景大小比例悬殊、类间方差函数可能呈现双峰或者多峰，这个时候效果不好。

2.1 最大类间方差法原理

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σ2。

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：

将公式（5）代入式（6），得到等价公式为：

上式就是求得的类间方差，再通过遍历，对图片的像素级进行遍历，找到使类间方差最大的阈值T,即为所求的分割阈值。

根据上面的公式，我们可以做进一步的变形：

根据定义我们能够进一步推导μ0和μ1的变形公式如下：

式中，L表示图像灰度级，ni表示灰度为i的像素的数量。

考虑灰度级T的累加均值m（非完全严格定义）和图像的全局均值μ为：

根据