图像分割：基于阈值(Otsu)

        图像分割算法的综述参考论文《图像分割方法综述_黄鹏》，知网上很方便查到下载，而且时间而言比较新。

        基于阈值的方法，最普遍的一个是二值化，将阈值以下和以上的分为两部分。应用比较广泛的有Otsu方法，可以计算出满足规则的最优阈值，规则一般采取类间方差的计算。当然还有其他的阈值选取规则方法。

        基于类间方差的方法自动获取最优阈值，再以此最优阈值进行分割。通过遍历每一个阈值，获得最优的类间方差值所对应的阈值作为最优解。因为是在同一项目中，只实现给定阈值计算类间方差的方法，最优阈值在初始化中遍历获取。

---

 规则说明

        灰度级获取规则：采取0-255划分为256个等级，不进行低维度的划分。

        类间方差获取规则：

//类间方差计算规则



//w0	分开后前景像素点数占图像的比例



//u0	分开后前景像素点的平均灰度



//w1	分开后背景像素点数占图像的比例



//u1	分开后背景像素点的平均灰度



//方差值 返回w0*w1*(u0-u1)*(u0-u1)



//至于原理许多博客中均有提到 

---

实现

        由于从一个项目分出来的，带m_的是类的成员

灰度级函数

void ImgDivision::getGrayLevel()



{



    for(int y = 0; y<m_Img->height(); y++)



    {



        QRgb * line = (QRgb *)m_Img->scanLine(y);



        for(int x = 0; x<m_Img->width(); x++)



        {



            int average = (qRed(line[x]) + qGreen(line[x]) + qBlue(line[x]))/3;



            m_GrayLevel[average] = m_GrayLevel[average] + 1;



        }



    }



}

获取类间方差函数
        返回该阈值下的方差值，因此后续在ImgDivision初始化时计算最优阈值，存在m_BestThreshold中。

double  ImgDivision::getInterclassVariance(int first_threshold){



    //w0    分开后前景像素点数占图像的比例




    double frontNums = 0.0;



    double frontGraySum = 0;



    for (int i = 0; i < first_threshold; i++) {



        frontNums = frontNums + m_GrayLevel[i];



        frontGraySum = frontGraySum + m_GrayLevel[i] * i;



    }



    double w0 = frontNums / (m_Img->width() * m_Img->height());



    //u0    分开后前景像素点的平均灰度




    double u0 = frontGraySum / frontNums;



    //w1    分开后背景像素点数占图像的比例




    double backNums = 0.0;



    double backGraySum = 0;



    for (int i = first_threshold; i < 256; i++) {



        backNums = backNums + m_GrayLevel[i];



        backGraySum = backGraySum + m_GrayLevel[i] * i;



    }



    double w1 = backNums / (m_Img->width() * m_Img->height());



    // u1    分开后背景像素点的平均灰度




    double u1 = backGraySum / backNums;



    return w0*w1*(u0-u1)*(u0-u1);



}

初始化中部分内容

//获取灰度级



    getGrayLevel();



    //计算类间方差 得到最优阈值




    double g = 0;



    for (int i = 0; i<256; i++) {



        if(g < getInterclassVariance(i)){



            g = getInterclassVariance(i);



            m_BestThreshold = i;



        }



    }

普通二值化函数

QImage* ImgDivision::byThreshold(int threshold)



{



    QImage *newImg = new QImage(m_Img->width(), m_Img->height(), QImage::Format_ARGB32);



    for(int y = 0; y<m_Img->height(); y++)



    {



        QRgb * line = (QRgb *)m_Img->scanLine(y);



        for(int x = 0; x<m_Img->width(); x++)



        {



            int average = (qRed(line[x]) + qGreen(line[x]) + qBlue(line[x]))/3;



            if(average < threshold){



                newImg->setPixel(x,y, qRgb(255, 255, 255));



            }else {



                newImg->setPixel(x,y, qRgb(0, 0, 0));



            }



        }



    }



    return newImg;



}

        Otsu方法则只需要在调用普通二值化函数时，传入最优的阈值即可。

        主要内容是计算类间方差的实现。值得说明为了整体的方便，二值化并非是01，而是以0，255黑白两种像素进行区分，且都为RGB通道的。

        可以看效果以及其余内容： /read/cv12814828

---