二值化图像指图像中的每个像素只取两个离散的值之一，用数学公式表示为：
公式中，f(x,y)表示一幅数字图像，X,Y表示该图像中某像素的坐标值，T为 二值化的阈值，表示经过阈值运算后的二值化图像，这里0和1仅仅是一个抽象表示，并非实际像素值，它可以代表白色和黑色，也可以代表红色和蓝色。
OTSU最大类间方差法是由日本学者大津(OTSU)于1979年提出的，是一种自适应的阈值确定的方法，由于它计算相对简单，时间消耗也明显少于其他阈值化方法。最大类间方差法是在最小二乘法原理基础上推导出来的，其基本思路是将直方图在某一阈值处分割成两组，对于某阈值，若被分成的两组之间的方差为最大时，则确定其为分割阈值。
设一幅图像的灰度值为1-m级，灰度值i的像素为ni，此时得到总像素数N和各值的概率为：
然后用后将其分成两组C0={1-k}和C1={k+1～m}，C0和C1产生的概率为：
C0组和C1组的平均值：
式中：只是整体图像的平均值，是阀值为k时灰度的平均值。因此全部采样的灰度平均值为：
则类间方差由下式求出：
从1到m改变k值，求Max{}，此时的k值便是所求阀值。
代码实现，这里给出基于opencv的部分算法代码：
int otsuThreshold(IplImage *frame)
{
int width = frame->width;
int height = frame->height;
int pixelCount[256];
float pixelPro[256];
int i, j, pixelSum = width * height, threshold = 0;
uchar* data = (uchar*)frame->imageData;
for(i = 0; i <256; i++)
{
pixelCount[i] = 0;
pixelPro[i] = 0;
}
//统计灰度级中每个像素在整幅图像中的个数
for(i = 0; i < height; i++)
{
for(j = 0;j < width;j++)
{
pixelCount[(int)data[i * frame->widthStep+ j]]++;
}
}
//计算每个像素在整幅图像中的比例
for(i = 0; i < 256; i++)
{
pixelPro[i] = (float)pixelCount[i] / pixelSum;
}
//遍历灰度级[0,255]
float w0, w1, u0tmp, u1tmp, u0, u1, u,
deltaTmp, deltaMax = 0;
for(i = 0; i < 256; i++)
{
w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0;
for(j = 0; j < 256; j++)
{
if(j <= i) //背景部分
{
w0 += pixelPro[j];
u0tmp += j * pixelPro[j];
}
else //前景部分
{
w1 += pixelPro[j];
u1tmp += j * pixelPro[j];
}
}
u0 = u0tmp / w0;
u1 = u1tmp / w1;
u = u0tmp + u1tmp;
deltaTmp =
w0 * pow((u0 - u), 2) + w1 * pow((u1 - u), 2);
if(deltaTmp > deltaMax)
{
deltaMax = deltaTmp;
threshold = i;
}
}
return threshold;
}
http://download.csdn.net/detail/emiyasstar__/3723042
实验结果：
左边是肤色模型建模的灰度图，右边是分割结果，效果还不错：
