介绍

Ostu方法又名最大类间差方法，通过统计整个图像的直方图特性来实现全局阈值T的自动选取，其算法步骤为：

1) 先计算图像的直方图，即将图像所有的像素点按照0~255共256个bin，统计落在每个bin的像素点数量

2) 归一化直方图，也即将每个bin中像素点数量除以总的像素点

3) i表示分类的阈值，也即一个灰度级，从0开始迭代

4) 通过归一化的直方图，统计0~i 灰度级的像素(假设像素值在此范围的像素叫做前景像素) 所占整幅图像的比例w0，并统计前景像素的平均灰度u0；统计i~255灰度级的像素(假设像素值在此范围的像素叫做背景像素) 所占整幅图像的比例w1，并统计背景像素的平均灰度u1；

5) 计算前景像素和背景像素的方差 g = w0*w1*(u0-u1) (u0-u1)

6) i++；转到4)，直到i为256时结束迭代

7）将最大g相应的i值作为图像的全局阈值

#include "opencv2/core/core.hpp"#include "opencv2/highgui/highgui.hpp"#include "opencv2/imgproc/imgproc.hpp"using namespace cv;#include 
    
     int getOstu(const Mat & in);int main(){    Mat img = imread("mobile2.jpeg" ,0);    Mat img_high_Light = imread("mobile3.jpeg" ,0);    Mat  dst , dst_HL;    if(img.empty()  | img_high_Light.empty())    {        std::cout<<"Error!!";        return -1;    }    std::cout<<"The return value of getOstu is: "<
     
      (i);        //对第i 行的每个像素(byte)操作        for( int j = 0; j < cols; ++j )        {            histogram[int(*p++)]++;        }    }    int threshold;    long sum0 = 0, sum1 = 0; //存储前景的灰度总和及背景灰度总和    long cnt0 = 0, cnt1 = 0; //前景的总个数及背景的总个数    double w0 = 0, w1 = 0; //前景及背景所占整幅图像的比例    double u0 = 0, u1 = 0;  //前景及背景的平均灰度    double variance = 0; //最大类间方差    double maxVariance = 0;    for(int i = 1; i < 256; i++) //一次遍历每个像素    {        sum0 = 0;        sum1 = 0;        cnt0 = 0;        cnt1 = 0;        w0 = 0;        w1 = 0;        for(int j = 0; j < i; j++)        {            cnt0 += histogram[j];            sum0 += j * histogram[j];        }        u0 = (double)sum0 /  cnt0;        w0 = (double)cnt0 / size;        for(int j = i ; j <= 255; j++)        {            cnt1 += histogram[j];            sum1 += j * histogram[j];        }        u1 = (double)sum1 / cnt1;        w1 = 1 - w0; // (double)cnt1 / size;        variance =  w0 * w1 *  (u0 - u1) * (u0 - u1);        if(variance > maxVariance)        {            maxVariance = variance;            threshold = i;        }    }    return threshold;}
     
    

缺陷

OSTU算法在处理光照不均匀的图像的时候，效果会明显不好，因为利用的是全局像素信息。