ostu算法

A. otsu法和threshold有什么区别

盲猜是图像二值化处理的问题。

首先说结论：otsu法和threshold并不是一类东西，没法说有什么区别。otsu法是得出threshold的一个算法。

一个灰度图像，每个像素的灰度值都是一个字节，8位，也就是0~255。数越大颜色越浅，越小颜色越深，0是黑色，255是白色。

二值化图像也就是只有黑和白两种颜色，一般情况下0是黑，1是白。

将灰度图进行二值化处理时也就需要一个阈值，也就是threshold。小于这个阈值的数为0，这个点为黑色；大于这个阈值的数为1，这个点为白色。

所以图像二值化最根本的问题就在于怎么去选择这个阈值。

最简单的办法就是设定一个固定值，这是运算速度最快也是最弱智的方法。显然这种方法对环境光的要求比较高，如果整体环境的明暗发生变化，那么对设定的阈值也要重新整定。

所以需要找到一种能够自动计算出阈值的算法。这种算法有很多，OTSU法是其中用的比较多的一个方法。

OTSU法，中文叫大津法，是由日本学者大津展之提出的，因此以他的名字命名。大津法的根本思想是，首先通过聚类的方法将图像的灰度值分为前景和背景两类，再穷举所有像素点的灰度值，并计算出一个阈值使得类间方差最大，这样这个阈值就是一个理想的二值化阈值。大津法能够很好的适应图像的明暗度和对比度的变化。

大津法的具体算法可以参考这篇文章：网页链接

B. otsu算法有多个k值对应的类间方差相等且最大

k的0～255循环求得每一个对应的fc=w0*(u0-ut).^2+w1*(u1-ut).^2；然后比较这256个fc中的最大值，对应的那个k就是ostu的阈值。所以你这个还差一个k的循环，并在循环里面求最大fc。
我这也有段求阈值的，你可以参考下

hist=zeros(256,1);%直方图
%threshold=128; %初始阈值
%计算直方图
for i=1:height
for j=1:width
m=I_gray(i,j)+1;
hist(m)=hist(m)+1;
end
end
hist=hist/(height*width);%落在每一灰度级上的概率
avg=0;
for m=1:256
avg=avg+(m-1)*hist(m);
end
temp=0;
for i=1:256
p1=0;
avg1=0;
avg2=0;
T_current=i-1;%当前分割阈值
for m=1:T_current-1
p1=hist(m)+ p1;%低灰度级概率总和
end
p2=1-p1;%高灰度级概率总和
for m=1:256
if m<T_current
avg1=avg1+(m-1)*hist(m);
else
avg2=avg2+(m-1)*hist(m);
end
end
avg1=avg1/p1;
avg2=avg2/p2;

D=p1*(avg1-avg)^2+p2*(avg2-avg)^2;
if D>=temp
finalT=T_current;
temp=D;
end
end
另外,站长团上有产品团购,便宜有保证

C. Otsu算法在Canny算子中的应用中，Otsu算法的程序后，要不要再添加在Canny算子的程序

问题一：
OTSU法是二值化图像的算法，经过OTSU处理图像就成了黑白二值图。
CANNY算法是针对灰度图的边缘提取算法。OTSU处理后，不需要再加CANNY处理了。

问题二：
如果图像噪音较大，就需要先做中值滤波，或其它降噪处理。这是图像处理的前处理。做前处理的目的是提高图像质量，然后再做OTSU，效果会好一些。但图像本身就很清晰的话，就不需要加中值滤波了。

通过你的问题，我感觉你还没有透彻理解几个术语的概念。
先想清楚想把什么样的图像处理成什么样的图像，然后根据目的选择处理方法。

如果话说重了，请原谅。

D. otsu的介绍

OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。

E. 几种经典的二值化方法及其vb.net实现

图像二值化的目的是最大限度的将图象中感兴趣的部分保留下来，在很多情况下，也是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令人满意的结果。
本文针对几种经典而常用的二值发放进行了简单的讨论并给出了其vb.net 实现。

1、P-Tile法

Doyle于1962年提出的P-Tile (即P分位数法)可以说是最古老的一种阈值选取方法。该方法根据先验概率来设定阈值，使得二值化后的目标或背景像素比例等于先验概率，该方法简单高效，但是对于先验概率难于估计的图像却无能为力。

2、OTSU 算法（大津法）

OSTU算法可以说是自适应计算单阈值（用来转换灰度图像为二值图像）的简单高效方法。1978 OTSU年提出的最大类间方差法以其计算简单、稳定有效，一直广为使用。


3、迭代法（最佳阀值法）

(1)． 求出图象的最大灰度值和最小灰度值，分别记为Zl和Zk，令初始阈值为：

(2)． 根据阈值TK将图象分割为前景和背景，分别求出两者的平均灰度值Z0和ZB:式中，Z(i,j）是图像上(i,j)点的象素值，N(i,j)是(i,j)点的权值，一般取1。


(3)． 若TK=TK+1，则所得即为阈值，否则转2，迭代计算。

4、一维最大熵阈值法
它的思想是统计图像中每一个灰度级出现的概率 ，计算该灰度级的熵 ,假设以灰度级T分割图像，图像中低于T灰度级的像素点构成目标物体（O），高于灰度级T的像素点构成背景（B），那么各个灰度级在本区的分布概率为：

O区： i=1,2……,t

B区： i=t+1,t+2……L-1

上式中的 ,这样对于数字图像中的目标和背景区域的熵分别为：

对图像中的每一个灰度级分别求取W=H0 +HB，选取使W最大的灰度级作为分割图像的阈值，这就是一维最大熵阈值图像分割法。