图像处理之基于Otsu阈值实现图像二值化
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
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[tr]++; } } // 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; } }
转载文章请注明，博主在此祝各位2015年工作顺利，请继续关注！
