一、Otsu 阈值分割
1、核心原理
- Otsu 方法通过最大化类间方差来自动选择最佳的阈值。
Otsu 方法计算出一个最佳阈值，使得前景和背景的类间方差最大，从而实现最优阈值分割
2、算法功能
- Otsu 阈值分割可以自动计算出图像的最佳阈值，而不需要人工选择阈值。
适用于图像的前景和背景具有明显亮度差异的情况，且图像的灰度值分布呈双峰。
3、算子参数
Cv2.Threshold(Mat src, Mat dst, double thresh, double maxval, ThresholdTypes type);
- src：输入图像（单通道灰度图像）。
- dst：输出图像（经过分割的二值化图像）。
- thresh：通常设为 0（Otsu 方法会自动计算）。
- maxval：大于最佳阈值时的像素值。
- type：ThresholdTypes.Otsu，表示使用 Otsu 算法来计算阈值。
4、使用场景
- 适用于图像灰度分布呈双峰的情况，通常是前景和背景有显著区分。
- 用于医学图像、文档分析、二值化图像等领域。
5、使用注意事项
- Otsu 方法通常适用于图像灰度值分布明确、双峰分布的图像。如果图像的灰度值分布不是双峰的，Otsu 方法的效果可能不佳。
- 处理噪声较多的图像时，Otsu 方法可能会受到噪声的影响，导致不理想的分割结果。
6、优缺点
- 优点：
无需人工选择阈值，自动计算。
适用于双峰分布的图像。 - 缺点：
对图像的噪声敏感。
只适合单一阈值的分割，无法处理复杂的分割问题（如多区域分割）。
7、运行时间优化方法
- 噪声过滤：在应用 Otsu 阈值之前，进行噪声去除（如使用中值滤波、均值滤波等）可以提高其稳定性。
- 多线程或GPU加速：对于大规模图像，可以使用并行计算来加速 Otsu 阈值的计算过程。
8、示例
using OpenCvSharp;
// 读取图像
Mat src = Cv2.ImRead("image.jpg", ImreadModes.Grayscale);
// 进行 Otsu 阈值分割
Mat dst = new Mat();
Cv2.Threshold(src, dst, 0, 255, ThresholdTypes.Binary | ThresholdTypes.Otsu);
// 显示结果
Cv2.ImShow("Otsu Threshold", dst);
Cv2.WaitKey(0);
Cv2.DestroyAllWindows();
- 在这个例子中，阈值被设为 0，表示让 Otsu 算法自动计算最佳的阈值。在 ThresholdTypes.Binary | ThresholdTypes.Otsu 中，Binary 表示分割为二值图像，Otsu 表示自动选择最佳阈值。
9、结合其他相关算法搭配使用
- 可以与 噪声去除算法（如中值滤波、Gaussian滤波）结合，先去噪再应用 Otsu 阈值分割。
- 可以与 形态学操作（如膨胀、腐蚀）结合，进一步优化分割结果，去除小的噪点或连接分离的区域。
10、相似或平替算法
- K-means 聚类：通过聚类分析进行分割，适用于复杂分布的图像，尤其是多峰分布的图像。
- 最大熵阈值法：通过最大化图像熵来选择阈值，适用于光照不均的图像。
二、资料
技能拾荒者《8-OpenCVSharp--常见阈值分割算法使用方法》：
https://blog.csdn.net/weixin_45590420/article/details/143787344
