大津法（最大类间阈值法）

    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。）。则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。

    对于灰度分布直方图有两个峰值的图像，大津法求得的T近似等于两个峰值之间的低谷。

    它由大津于1979年提出，被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对比度的影响，因此在数字图像处理上得到了广泛的应用。

    在白内障眼科图像处理中，也尝试了大津法。其流程为：

    （1）统一图像大小；（2）利用最大类间阈值进行分割；（3）进行中值滤波；（4）构造圆形元素；（5）膨胀处理；（6）填充空洞；（7）删除小面积对象；（8）删除红黄色杂质；（9）剪切感兴趣的部分

   首先将每一张图片的格式，大小进行统一，我们采用了基于双线性插值的方法进行大小转换。然后根据最大类间方差法求出整张图片的最佳阈值。随后对该标记矩阵进行中值滤波，使得被前景包围的背景区域重新被填充，避免分割到的前景中的区域被掏空。接下来进行圆形元素的构造，根据已有的前景区域，给定半径和周期线性元素结构去和给定的前景区域去近似。满足条件则可以构建出完整的圆形结构，最大可能的保持晶状体的形状。接下来对标记矩阵进行膨胀处理，通过膨胀可以使得图像中的小孔和边缘凹陷被填充。如果此时前景区域仍有空洞，则用填充函数将二值图像中的空洞填充掉。将小面积对象删除，避免未来对白内障区域的识别产生噪声和干扰。接下来从前景整个黑白相间的内容中除去红色和近似黄色的部分。根据RGB三原色的分布特征，取出剩余的红黄色杂质。处理效果如下：

    由于存在被掏空的情况，因此结合了中值滤波和填充膨胀等操作。掏空情况见下图：

    

    可见这种算法将感兴趣区域掏空了，由于被掏空区域不是闭合区域，因此中值滤波和膨胀等操作都无法将原区域回复，最终选择了canng算子和Hough变换相结合的算法。

    在病理图像的处理中，为了得到病理区域，也使用该方法从病理区域进行裁剪。得到组织掩码。

    病理图像细节如下图。

    根据裁剪到的图像，集合医生标注，通过卷积神经网络进行识别。

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

   [csharp] using System    namespace Splash Imaging    {    /// <summary>    /// 图像处理 大津法二值化阈值计算方法    /// </summary>    public static partial class Binarize    {    /// <summary>    /// 大津法计算阈值    /// </summary>    /// <param name= grayArray >灰度数组</param>    /// <returns>二值化阈值</returns>    public static Int OtsuThreshold（Byte[ ] grayArray）    {   // 建立统计直方图    Int [] Histogram = new Int [ ]    Array Clear（Histogram ）      // 初始化    foreach （Byte b in grayArray）    {    Histogram[b]++                 // 统计直方图    }    // 总的质量矩和图像点数    Int SumC = grayArray Length    // 总的图像点数    Double SumU =                   // 双精度避免方差运算中数据溢出    for （Int i = i <i++）    {    SumU += i * Histogram[i]     // 总的质量矩    }    // 灰度区间    Int MinGrayLevel = Array FindIndex（Histogram NonZero）        // 最小灰度值    Int MaxGrayLevel = Array FindLastIndex（Histogram NonZero）    // 最大灰度值    // 计算最大类间方差    Int Threshold = MinGrayLevel    Double MaxVariance =        // 初始最大方差    Double U =                   // 初始目标质量矩    Int C =                    // 初始目标点数    for （Int i = MinGrayLeveli <MaxGrayLeveli++）    {    if （Histogram[i] == ） continue    // 目标的质量矩和点数    U += i * Histogram[i]    C += Histogram[i]    // 计算目标和背景的类间方差    Double Diference = U * SumC SumU * C     Double Variance = Diference * Diference / C / （SumC C ） // 方差    if （Variance >MaxVariance）    {    MaxVariance = Variance    Threshold = i    }    }    // 返回类间方差最大阈值    return Threshold    }    /// <summary>    /// 检测非零值    /// </summary>    /// <param name= value >要检测的数值</param>    /// <returns>    ///     true:非零    ///     false:零    /// </returns>    private static Boolean NonZero（Int value）    {    return （value != ） ? true : false    }    }    } lishixinzhi/Article/program/net/201311/13006

---