1、大津算法OTSU是一种常用的阈值化分割方法，既然是阈值化方法就是需要找到一个阈值，利用这个阈值对图像中所有的像素点进行区分，哪些像素点属于前景，哪些像素点属于背景。

2、如何找到这个阈值呢？OTSU算法中有一个假设，最优的阈值是能够使图像中的前景和背景之间的差最大的那个值，所以大津算法又名最大类间差算法。

3、我们来定义这个类间差(汉字公式，请见谅 ≥Ö‿Ö≤)：
类间差 = 前景比重 x 背景比重 x （前景均值 - 背景均值）^2
这个比重其实就是该类所拥有的像素个数，均值就是该类所拥有的像素的灰度均值。

4、有了类间差公式后，阈值就直接遍历0~255，不断的计算类间差值，找到最大的类间差值就可以找到最优的阈值了。
python code:

import cv2 as cv
import math
import numpy as np
def otsu_threshold(img):
    h=img.shape[0]
    w=img.shape[1]
    m=h*w   # 图像像素点总和
    otsuimg=np.zeros((h,w),np.uint8)
    threshold_max=threshold=0   # 定义阈值
    histogram=np.zeros(256,np.int32)   # 初始化各灰度级个数统计参数
    probability=np.zeros(256,np.float32)   # 初始化各灰度级占图像中的分布的统计参数
    for i in range (h):
        for j in range (w):
            s=img[i,j]
            histogram[s]+=1   # 统计灰度级中每个像素在整幅图像中的个数
    for k in range (256):
        probability[k]=histogram[k]/m   # 统计每个灰度级占图像中的分布
    for i in range (255):
        w0 = w1 = 0  # 定义前景像素点和背景像素点灰度级占图像中的分布
        fgs = bgs = 0  # 定义前景像素点灰度级总和and背景像素点灰度级总和
        for j in range (256):
            if j<=i:   # 当前i为分割阈值
                w0+=probability[j]   # 前景像素点占整幅图像的比例累加
                fgs+=j*probability[j]
            else:
                w1+=probability[j]   # 背景像素点占整幅图像的比例累加
                bgs+=j*probability[j]
        u0=fgs/w0   # 前景像素点的平均灰度
        u1=bgs/w1   # 背景像素点的平均灰度
        g=w0*w1*(u0-u1)**2   # 类间方差
        if g>=threshold_max:
            threshold_max=g
            threshold=i
    print(threshold)
    return threshold