图像处理------基于Otsu阈值二值化 分类： 视频图像处理 2015-07-24 15:11 80人阅读 评论(0) 收藏

一：基本原理

该方法是图像二值化处理常见方法之一，在Matlab与OpenCV中均有实现。

Otsu Threshing方法是一种基于寻找合适阈值实现二值化的方法，其最重

要的部分是寻找图像二值化阈值，然后根据阈值将图像分为前景（白色）

或者背景（黑色）。假设有6x6的灰度图像，其像素数据及其对应的直方

图如下图：



阈值寻找方法首先假设是为T=3，则背景像素的比重、均值、方差的计算

结果如下：



根据前景像素直方图，计算比重、均值、方差的过程如下：



上述整个计算步骤与结果是假设阈值T=3时候的结果，同样计算假设阈值为

T=0、T=1、T=2、T=4、T=5的类内方差，比较类内方差之间的值，最小类

内方差使用的阈值T即为图像二值化的阈值。上述是假设图像灰度值级别为

0～5六个值，实际中图像灰度值取值范围为0～255之间，所以要循环计算

使用每个灰度值作为阈值，得到类内方差，最终取最小类内方差对应的灰度

值作为阈值实现图像二值化即可。

二：代码实现

[java] view plaincopy



package com.gloomyfish.filter.study;

import java.awt.image.BufferedImage;

public class OtsuBinaryFilter extends AbstractBufferedImageOp {

public OtsuBinaryFilter()
{
System.out.println("Otsu Threshold Binary Filter...");
}

@Override
public BufferedImage filter(BufferedImage src, BufferedImage dest) {
int width = src.getWidth();
int height = src.getHeight();

if ( dest == null )
dest = createCompatibleDestImage( src, null );
// 图像灰度化
int[] inPixels = new int[width*height];
int[] outPixels = new int[width*height];
getRGB( src, 0, 0, width, height, inPixels );
int index = 0;
for(int row=0; row<height; row++) {
int ta = 0, tr = 0, tg = 0, tb = 0;
for(int col=0; col<width; col++) {
index = row * width + col;
ta = (inPixels[index] >> 24) & 0xff;
tr = (inPixels[index] >> 16) & 0xff;
tg = (inPixels[index] >> 8) & 0xff;
tb = inPixels[index] & 0xff;
int gray= (int)(0.299 *tr + 0.587*tg + 0.114*tb);
inPixels[index] = (ta << 24) | (gray << 16) | (gray << 8) | gray;
}
}
// 获取直方图
int[] histogram = new int[256];
for(int row=0; row<height; row++) {
int tr = 0;
for(int col=0; col<width; col++) {
index = row * width + col;
tr = (inPixels[index] >> 16) & 0xff;
histogram++;
}
}
// 图像二值化 - OTSU 阈值化方法
double total = width * height;
double[] variances = new double[256];
for(int i=0; i<variances.length; i++)
{
double bw = 0;
double bmeans = 0;
double bvariance = 0;
double count = 0;
for(int t=0; t<i; t++)
{
count += histogram[t];
bmeans += histogram[t] * t;
}
bw = count / total;
bmeans = (count == 0) ? 0 :(bmeans / count);
for(int t=0; t<i; t++)
{
bvariance += (Math.pow((t-bmeans),2) * histogram[t]);
}
bvariance = (count == 0) ? 0 : (bvariance / count);
double fw = 0;
double fmeans = 0;
double fvariance = 0;
count = 0;
for(int t=i; t<histogram.length; t++)
{
count += histogram[t];
fmeans += histogram[t] * t;
}
fw = count / total;
fmeans = (count == 0) ? 0 : (fmeans / count);
for(int t=i; t<histogram.length; t++)
{
fvariance += (Math.pow((t-fmeans),2) * histogram[t]);
}
fvariance = (count == 0) ? 0 : (fvariance / count);
variances[i] = bw * bvariance + fw * fvariance;
}

// find the minimum within class variance
double min = variances[0];
int threshold = 0;
for(int m=1; m<variances.length; m++)
{
if(min > variances[m]){
threshold = m;
min = variances[m];
}
}
// 二值化
System.out.println("final threshold value : " + threshold);
for(int row=0; row<height; row++) {
for(int col=0; col<width; col++) {
index = row * width + col;
int gray = (inPixels[index] >> 8) & 0xff;
if(gray > threshold)
{
gray = 255;
outPixels[index] = (0xff << 24) | (gray << 16) | (gray << 8) | gray;
}
else
{
gray = 0;
outPixels[index] = (0xff << 24) | (gray << 16) | (gray << 8) | gray;
}

}
}
setRGB(dest, 0, 0, width, height, outPixels );
return dest;
}

}
运行效果图：