Otsu算法确定阈值

Otsu算法是一种自适应阈值分割算法，可以帮助我们确定图像的阈值。其基本思想是将图像分成前景和背景两部分，然后计算不同阈值下的类间方差，选择类间方差最大的阈值作为最终的阈值。

具体实现过程如下：

1. 将图像转换为灰度图像。
2. 计算图像的直方图。
3. 对每个灰度级别，计算其概率和均值。
4. 遍历每个灰度级别，计算该灰度级别下的类间方差，并选择类间方差最大的灰度级别作为最终的阈值。

下面是一个简单的示例代码：

import cv2

# 读取图像
img = cv2.imread('image.jpg', 0)

# 计算直方图
hist = cv2.calcHist([img], [0], None, [256], [0, 256])

# 归一化直方图
hist_norm = hist.ravel() / hist.max()

# 初始化变量
best_thresh = 0
best_variance = 0

# 遍历每个灰度级别
for thresh in range(256):
    # 计算前景和背景的像素点数和概率
    fore_pix = sum(hist_norm[:thresh])
    back_pix = sum(hist_norm[thresh:])
    fore_prob = sum(hist_norm[:thresh]) / (fore_pix + back_pix)
    back_prob = sum(hist_norm[thresh:]) / (fore_pix + back_pix)

    # 计算前景和背景的均值和方差
    fore_mean = sum([i * hist_norm[i] for i in range(thresh)]) / fore_pix
    back_mean = sum([i * hist_norm[i] for i in range(thresh, 256)]) / back_pix
    fore_variance = sum([(i - fore_mean) ** 2 * hist_norm[i] for i in range(thresh)]) / fore_pix
    back_variance = sum([(i - back_mean) ** 2 * hist_norm[i] for i in range(thresh, 256)]) / back_pix

    # 计算类间方差
    variance = fore_prob * back_prob * (fore_mean - back_mean) ** 2

    # 更新阈值
    if variance > best_variance:
        best_variance = variance
        best_thresh = thresh

# 使用OTSU算法确定阈值
ret, thresh = cv2.threshold(img, best_thresh, 255, cv2.THRESH_BINARY)

# 显示结果
cv2.imshow('Original Image', img)
cv2.imshow('OTSU Thresholding', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

上述代码中，我们首先使用`cv2.calcHist`函数计算图像的直方图，并将其归一化。然后遍历每个灰度级别，计算该灰度级别下的类间方差，并选择类间方差最大的灰度级别作为最终的阈值。最后，使用`cv2.threshold`函数将图像二值化，并将结果显示出来。