OTSU一维算法概述

最新推荐文章于 2025-03-20 20:29:07 发布

qinjianganying

最新推荐文章于 2025-03-20 20:29:07 发布

阅读量1.2w

点赞数 2

分类专栏： IT技术机器视觉文章标签：算法 float

本文链接：https://blog.youkuaiyun.com/qinjianganying/article/details/6648700

版权

OTSU算法是一种自适应阈值分割方法，用于从灰度图像中找到最佳阈值进行二值化。本文介绍了算法的基本原理，包括计算灰度直方图、归一化处理、确定最佳阈值等步骤，并通过代码实现展示了其实际效果。在应用中，结合形态学运算，达到了理想的效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

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 = (

最低0.47元/天解锁文章