2024年4月12日发(作者：回宏峻)
图像二值化阈值选取常用方法
最近在公司搞车牌识别的项目，车牌定位后，发现对车牌区域二值化的好坏直接影响后面字
符切分的过程，所以就想把常用阈值选取方法做一个总结。
图像二值化阈值选取常用方法：
1.双峰法。
2.P参数法。
3.最大类间方差法（Otsu、大津法）。
4.最大熵阈值法。
5.迭代法(最佳阈值法)。
1.双峰法
在一些简单的图像中，物体的灰度分布比较有规律，背景与目标在图像的直方图各自形成一
个波峰，即区域与波峰一一对应，每两个波峰之间形成一个波谷。那么，选择双峰之间的波
谷所代表的灰度值T作为阈值，即可实现两个区域的分割。如图1所示。
2.P参数法
当目标与背景的直方图分布有一定重叠时，两个波峰之间的波谷很不明显。若采用双峰法，
效果很差。如果预先知道目标占整个图像的比例P，可以采用P参数法。
P参数法具体步骤如下：假设预先知道目标占整个图像的比例为P，且目标偏暗，背景偏亮。
1）、计算图像的直方图分布P(t)，t=0,1,.....255。
2）、计算阈值T，使其满足
p(t)
t
0
T
m*n
P
最小。
P参数法一般用于固定分辨率下，目标所占整个图像比例已知的情况。
3.最大类间方差法(Otsu)
最大类间方差法是由Otsu于1979年提出的，是基于整幅图像的统计特性实现阈值的自动
选取的，是全局二值化最杰出的代表。
Otsu算法的基本思想是用某一假定的灰度值t将图像的灰度分成两组，当两组的类间方差
最大时，此灰度值t就是图像二值化的最佳阈值。
设图像有L个灰度值，取值范围在0～L-1，在此范围内选取灰度值T，将图像分成两组G0
和G1，G0包含的像素的灰度值在0～T，G1的灰度值在T+1～L-1，用N表示图像像素总
数，
n
i
表示灰度值为i的像素的个数。
已知：每一个灰度值i出现的概率为
p
i
n
i
/
N
；假设G0和G1两组像素的个数在整体图
像中所占百分比为
0
、
1
，两组平均灰度值为
0
、
1
，可得
概率：
0
=
p
i
i
0
T
1
i
T
1
L
1
p
i
1
0
平均灰度值：
0
ip
i
0
T
i
1
i
T
1
L
1
ip
i
图像总的平均灰度值：
0
0
1
1
类间方差：
g(t)
0
0
1
1
0
1
0
1
222
最佳阈值为：T=argmax(g(t))使得间类方差最大时所对应的t值。
算法可这样理解：阈值T将整幅图像分成前景和背景两部分，当两类的类间方差最大时，
此时前景和背景的差别最大，二值化效果最好。因为方差是灰度分布均匀性的一种度量，方
差值越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标
都会导致两部分差别变小，因此使类间方差最大的分割阈值意味着错分概率最小。
大律法得到了广泛的应用，但是当物体目标与背景灰度差不明显时，会出现无法忍受的大块
黑色区域，甚至会丢失整幅图像的信息。
以下为一段基于OpenCV的Otsu代码：
BYTEGetPixel(IplImage*img,intx,inty)
{
if(x<0||x>=img->width||y<0||y>=img->height)
return0;
returnimg->imageData[y*img->widthStep+x];
}
voidSetPixel(IplImage*img,intx,inty,BYTEval)
{
if(x<0||x>=img->width||y<0||y>=img->height)
return;
img->imageData[y*img->widthStep+x]=val;
}
#ifndefEPSILON
#defineEPSILON1e-6
#endif
/*
*Function:用Otsu(1979)阈值对图像二值化
*Parameters:
*[IN]img:要二值化的灰度图像
*[OUT]out:二值化的输出图像，要求调用者分配好空间
*Return:(None)
*/
voidOtsu(IplImage*img,IplImage*out)
{
inthist[256],i,j,total,maxk;
floatut,uk;/*ut表示整个图像的均值*/
floatp[256],sigma,wk,maxs;
/*得到灰度直方图*/
memset(hist,0,sizeof(int)*256);
total=img->width*img->height;
for(i=0;iheight;i++)
{
for(j=0;jwidth;j++)
{
hist[GetPixel(img,j,i)]++;
}
}
/*计算大津阈值*/
ut=0;
for(i=0;i<256;i++)
{
p[i]=(float)hist[i]/total;
ut+=i*hist[i];
}
ut/=total;
wk=.0;
uk=.0;
maxs=.0;
for(i=0;i<256;i++)
{
uk+=i*p[i];
wk+=p[i];
if(wk<=EPSILON||wk>=1.0f-EPSILON)
{
continue;
}
sigma=(ut*wk-uk);
sigma=sigma*sigma/(wk*(1.0f-wk));
if(sigma>maxs)
{
maxs=sigma;
maxk=i;
}
}
/*得到了阈值，对原图像分割*/
for(i=0;iheight;i++)
{
for(j=0;jwidth;j++)
{
if(GetPixel(img,j,i)<=maxk)
{
SetPixel(out,j,i,0);
}
else
{
SetPixel(out,j,i,255);
}
}
}
}
4、最大熵阈值法
将信息论中的shannon熵概念用于图像分割，其依据是使得图像中目标与背景分布的信息量
最大，即通过测量图像灰度直方图的熵，找出最佳阈值。
根据shannon熵的概念，对于灰度范围为0,1,2,…,L-1的图像，其直方图的熵定义为（仅仅
是定义）：
H
ip
i
,p
i
为像素值为i的像素占整个图像的概率。
i
0
设阈值t将图像划分为目标O和背景B两类，他们的概率分布分别为：
L
1
O区：
p
i
,i
0,1,...,t
，其中
p
t
p
t
p
i
,i
t
1,...,L
1
1
p
t
t
p
i
i
0
B区：
则目标O和背景B的熵函数分别为：
H
O
t
i
0
L
1
t
p
i
pH
p
i
lnp
i
ln
i
lnP
t
t
，其中
H
t
P
t
P
t
P
t
i
0
t
L
1
p
i
p
i
H
H
t
，其中
H
p
i
lnp
i
H
B
t
ln
ln
1
P
t
1
P1
P1
P
i
0
i
t
1
ttt
图像的总熵为：
H
t
H
O
t
H
B
t
ln
P
t
1
P
t
H
t
H
H
t
P
t
1
P
t
最佳阈值T为使得图像的总熵取得最大值：T=argmax(H(t))
此方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行较好的分割。缺点是
运算速度较慢不适合实时处理。仅仅考虑了像素点的灰度信息，没有考虑到像素点的空间信
息，所以当图像的信噪比较低时分割效果不理想。
以下为一段基于Opencv最大熵阈值算法例子：
#include"stdafx.h"
#include"cv.h"
#include"highgui.h"
#pragmacomment(lib,"")
#pragmacomment(lib,"")
#pragmacomment(lib,"")
#pragmacomment(lib,"")
intHistogramBins=256;
floatHistogramRange1[2]={0,255};
float*HistogramRange[1]={&HistogramRange1[0]};
typedefenum{back,object}entropy_state;
doublecaculateCurrentEntropy(CvHistogram*Histogram1,
intcur_threshold,entropy_statestate)
{
intstart,end;
if(state==back)
{
start=0;end=cur_threshold;
}
else
{
start=cur_threshold;end=256;
}
inttotal=0;
for(inti=start;i { total+=(int)cvQueryHistValue_1D(Histogram1,i); } doublecur_entropy=0.0; for(inti=start;i { if((int)cvQueryHistValue_1D(Histogram1,i)==0) { continue; } doublepercentage=cvQueryHistValue_1D(Histogram1,i)/total; cur_entropy+=-percentage*logf(percentage); } returncur_entropy; } voidMaxEntropy(IplImage*src,IplImage*dst) { assert(src!=NULL); assert(src->depth==8&&dst->depth==8); assert(src->nChannels==1); CvHistogram*hist cvCreateHist(1,&HistogramBins,CV_HIST_ARRAY,HistogramRange); cvCalcHist(&src,hist); doublemaxentropy=-1.0; intmax_index=-1; for(inti=0;i { doublecur_entropy=caculateCurrentEntropy(hist,i,object)+ caculateCurrentEntropy(hist,i,back); if(cur_entropy>maxentropy) { maxentropy=cur_entropy; max_index=i; } } cvThreshold(src,dst,(double)max_index,255,CV_THRESH_BINARY); = cvReleaseHist(&hist); } intmain(intargc,_TCHAR*argv[]) { IplImage*src;//声明IplImage指针 //载入图像 if(argc==2&& (src=cvLoadImage(argv[1],CV_LOAD_IMAGE_GRAYSCALE))!=0) { cvNamedWindow("Image",1);//创建窗口 IplImage*dst=cvCreateImage(cvGetSize(src),IPL_DEPTH_8U,1); MaxEntropy(src,dst); cvShowImage("Image",dst);//显示图像 cvWaitKey(0);//等待按键 cvDestroyWindow("Image");//销毁窗口 cvReleaseImage(&src);//释放图像 cvReleaseImage(&dst);//释放图像 return0; } return-1; } 5、迭代法(最佳阈值法) 迭代法是基于逼近的思想，迭代阈值的获取步骤可以归纳如下： 1）选择一个初始阈值T(j)，通常可以选择整体图像的平均灰度值作为初始阈值。j为迭代次 数，初始时j=0。 2）用T(j)分割图像，将图像分为2个区域 C 1 和 C 2 。 3）计算两区域的平均灰度值，其中 N 1 、 N 2 为第j次迭代时区域C1和C2的像素点个数， f(x,y)表示图像中（x,y）点的灰度值。 j j j j 1 j 1 j N 1 j f x,y C 1 f x,y j 2 1 j N 2 j f x,y C 2 f x,y 4）再计算新的门限值，即 T j 1 j 1 j 2 2 5）令j=j+1，重复2~4）,直到T(j+1)与T(j)的差小于规定值或j达到最大的迭代次数。 以下为基于OpenCV的代码： /*======================================================================*/ /*迭代法*/ /*======================================================================*/ //nMaxIter：最大迭代次数；nDiffRec：使用给定阀值确定的亮区与暗区平均灰度差 异值 intDetectThreshold(IplImage*img,intnMaxIter,int&iDiffRec)//阀值分割： 迭代法 { //图像信息 intheight=img->height; intwidth=img->width; intstep=img->widthStep/sizeof(uchar); uchar*data=(uchar*)img->imageData; iDiffRec=0; intF[256]={0};//直方图数组 intiTotalGray=0;//灰度值和 intiTotalPixel=0;//像素数和 bytebt;//某点的像素值 uchariThrehold,iNewThrehold;//阀值、新阀值 uchariMaxGrayValue=0,iMinGrayValue=255;//原图像中的最大灰度值和最小灰度 值 uchariMeanGrayValue1,iMeanGrayValue2; //获取(i,j)的值，存于直方图数组F for(inti=0;i { for(intj=0;j { bt=data[i*step+j]; if(bt { iMinGrayValue=bt; } if(bt>iMaxGrayValue) { iMaxGrayValue=bt; } F[bt]++; } } iThrehold=0;// iNewThrehold=(iMinGrayValue+iMaxGrayValue)/2;//初始阀值 iDiffRec=iMaxGrayValue-iMinGrayValue; for(inta=0;(abs(iThrehold-iNewThrehold)>0.5)&&a 条件 { iThrehold=iNewThrehold; //小于当前阀值部分的平均灰度值 for(inti=iMinGrayValue;i { iTotalGray+=F[i]*i;//F[]存储图像信息 iTotalPixel+=F[i]; } iMeanGrayValue1=(uchar)(iTotalGray/iTotalPixel); //大于当前阀值部分的平均灰度值 iTotalPixel=0; iTotalGray=0; for(intj=iThrehold+1;j { iTotalGray+=F[j]*j;//F[]存储图像信息 iTotalPixel+=F[j]; } iMeanGrayValue2=(uchar)(iTotalGray/iTotalPixel); iNewThrehold=(iMeanGrayValue2+iMeanGrayValue1)/2; iDiffRec=abs(iMeanGrayValue2-iMeanGrayValue1); //新阀值 } //cout<<"TheThresholdofthisImageinimgIterationis:"< returniThrehold; } 另外还有两种方法： 一、均匀性度量算法 该算法步骤如下： 1）给定一个初始阈值Th=Th0（例如：可以默认为1，或者是128等），则将原图分为C1 和C2两类。 2）分别计算两类的类内方差： 3）分别计算两类像素在图像中的分布概率： 计算分布概率的目的是：统计该类像素对图像的影响程度。 4）选择最佳阈值Th=Th*，使得下式成立： 二、聚类的方法 1）给定一个初始阈值Th=Th0（例如：可以默认为1，或者是128等），则将原图分为C1 和C2两类； 2）分别计算两类的类内均值与方差： 3）进行重新分类处理。如果 则f(x,y)属于C1，否则f(x,y)属于C2。 4）对上一步重新分类后得到的C1和C2中的所有像素，分别重新计算其各自的均值与方差。 5）如果下式成立： 则输出计算得到的阈值Th(t)，否则重复4），5）。 本文博客地址：/xgmiao 2024年4月12日发(作者：回宏峻) 图像二值化阈值选取常用方法 最近在公司搞车牌识别的项目，车牌定位后，发现对车牌区域二值化的好坏直接影响后面字 符切分的过程，所以就想把常用阈值选取方法做一个总结。 图像二值化阈值选取常用方法： 1.双峰法。 2.P参数法。 3.最大类间方差法（Otsu、大津法）。 4.最大熵阈值法。 5.迭代法(最佳阈值法)。 1.双峰法 在一些简单的图像中，物体的灰度分布比较有规律，背景与目标在图像的直方图各自形成一 个波峰，即区域与波峰一一对应，每两个波峰之间形成一个波谷。那么，选择双峰之间的波 谷所代表的灰度值T作为阈值，即可实现两个区域的分割。如图1所示。 2.P参数法 当目标与背景的直方图分布有一定重叠时，两个波峰之间的波谷很不明显。若采用双峰法， 效果很差。如果预先知道目标占整个图像的比例P，可以采用P参数法。 P参数法具体步骤如下：假设预先知道目标占整个图像的比例为P，且目标偏暗，背景偏亮。 1）、计算图像的直方图分布P(t)，t=0,1,.....255。 2）、计算阈值T，使其满足 p(t) t 0 T m*n P 最小。 P参数法一般用于固定分辨率下，目标所占整个图像比例已知的情况。 3.最大类间方差法(Otsu) 最大类间方差法是由Otsu于1979年提出的，是基于整幅图像的统计特性实现阈值的自动 选取的，是全局二值化最杰出的代表。 Otsu算法的基本思想是用某一假定的灰度值t将图像的灰度分成两组，当两组的类间方差 最大时，此灰度值t就是图像二值化的最佳阈值。 设图像有L个灰度值，取值范围在0～L-1，在此范围内选取灰度值T，将图像分成两组G0 和G1，G0包含的像素的灰度值在0～T，G1的灰度值在T+1～L-1，用N表示图像像素总 数， n i 表示灰度值为i的像素的个数。 已知：每一个灰度值i出现的概率为 p i n i / N ；假设G0和G1两组像素的个数在整体图 像中所占百分比为 0 、 1 ，两组平均灰度值为 0 、 1 ，可得 概率： 0 = p i i 0 T 1 i T 1 L 1 p i 1 0 平均灰度值： 0 ip i 0 T i 1 i T 1 L 1 ip i 图像总的平均灰度值： 0 0 1 1 类间方差： g(t) 0 0 1 1 0 1 0 1 222 最佳阈值为：T=argmax(g(t))使得间类方差最大时所对应的t值。 算法可这样理解：阈值T将整幅图像分成前景和背景两部分，当两类的类间方差最大时， 此时前景和背景的差别最大，二值化效果最好。因为方差是灰度分布均匀性的一种度量，方 差值越大，说明构成图像的两部分差别越大，当部分目标错分为背景或部分背景错分为目标 都会导致两部分差别变小，因此使类间方差最大的分割阈值意味着错分概率最小。 大律法得到了广泛的应用，但是当物体目标与背景灰度差不明显时，会出现无法忍受的大块 黑色区域，甚至会丢失整幅图像的信息。 以下为一段基于OpenCV的Otsu代码： BYTEGetPixel(IplImage*img,intx,inty) { if(x<0||x>=img->width||y<0||y>=img->height) return0; returnimg->imageData[y*img->widthStep+x]; } voidSetPixel(IplImage*img,intx,inty,BYTEval) { if(x<0||x>=img->width||y<0||y>=img->height) return; img->imageData[y*img->widthStep+x]=val; } #ifndefEPSILON #defineEPSILON1e-6 #endif /* *Function:用Otsu(1979)阈值对图像二值化 *Parameters: *[IN]img:要二值化的灰度图像 *[OUT]out:二值化的输出图像，要求调用者分配好空间 *Return:(None) */ voidOtsu(IplImage*img,IplImage*out) { inthist[256],i,j,total,maxk; floatut,uk;/*ut表示整个图像的均值*/ floatp[256],sigma,wk,maxs; /*得到灰度直方图*/ memset(hist,0,sizeof(int)*256); total=img->width*img->height; for(i=0;iheight;i++) { for(j=0;jwidth;j++) { hist[GetPixel(img,j,i)]++; } } /*计算大津阈值*/ ut=0; for(i=0;i<256;i++) { p[i]=(float)hist[i]/total; ut+=i*hist[i]; } ut/=total; wk=.0; uk=.0; maxs=.0; for(i=0;i<256;i++) { uk+=i*p[i]; wk+=p[i]; if(wk<=EPSILON||wk>=1.0f-EPSILON) { continue; } sigma=(ut*wk-uk); sigma=sigma*sigma/(wk*(1.0f-wk)); if(sigma>maxs) { maxs=sigma; maxk=i; } } /*得到了阈值，对原图像分割*/ for(i=0;iheight;i++) { for(j=0;jwidth;j++) { if(GetPixel(img,j,i)<=maxk) { SetPixel(out,j,i,0); } else { SetPixel(out,j,i,255); } } } } 4、最大熵阈值法 将信息论中的shannon熵概念用于图像分割，其依据是使得图像中目标与背景分布的信息量 最大，即通过测量图像灰度直方图的熵，找出最佳阈值。 根据shannon熵的概念，对于灰度范围为0,1,2,…,L-1的图像，其直方图的熵定义为（仅仅 是定义）： H ip i ,p i 为像素值为i的像素占整个图像的概率。 i 0 设阈值t将图像划分为目标O和背景B两类，他们的概率分布分别为： L 1 O区： p i ,i 0,1,...,t ，其中 p t p t p i ,i t 1,...,L 1 1 p t t p i i 0 B区： 则目标O和背景B的熵函数分别为： H O t i 0 L 1 t p i pH p i lnp i ln i lnP t t ，其中 H t P t P t P t i 0 t L 1 p i p i H H t ，其中 H p i lnp i H B t ln ln 1 P t 1 P1 P1 P i 0 i t 1 ttt 图像的总熵为： H t H O t H B t ln P t 1 P t H t H H t P t 1 P t 最佳阈值T为使得图像的总熵取得最大值：T=argmax(H(t)) 此方法不需要先验知识，而且对于非理想双峰直方图的图像也可以进行较好的分割。缺点是 运算速度较慢不适合实时处理。仅仅考虑了像素点的灰度信息，没有考虑到像素点的空间信 息，所以当图像的信噪比较低时分割效果不理想。 以下为一段基于Opencv最大熵阈值算法例子： #include"stdafx.h" #include"cv.h" #include"highgui.h" #pragmacomment(lib,"") #pragmacomment(lib,"") #pragmacomment(lib,"") #pragmacomment(lib,"") intHistogramBins=256; floatHistogramRange1[2]={0,255}; float*HistogramRange[1]={&HistogramRange1[0]}; typedefenum{back,object}entropy_state; doublecaculateCurrentEntropy(CvHistogram*Histogram1, intcur_threshold,entropy_statestate) { intstart,end; if(state==back) { start=0;end=cur_threshold; } else { start=cur_threshold;end=256; } inttotal=0; for(inti=start;i { total+=(int)cvQueryHistValue_1D(Histogram1,i); } doublecur_entropy=0.0; for(inti=start;i { if((int)cvQueryHistValue_1D(Histogram1,i)==0) { continue; } doublepercentage=cvQueryHistValue_1D(Histogram1,i)/total; cur_entropy+=-percentage*logf(percentage); } returncur_entropy; } voidMaxEntropy(IplImage*src,IplImage*dst) { assert(src!=NULL); assert(src->depth==8&&dst->depth==8); assert(src->nChannels==1); CvHistogram*hist cvCreateHist(1,&HistogramBins,CV_HIST_ARRAY,HistogramRange); cvCalcHist(&src,hist); doublemaxentropy=-1.0; intmax_index=-1; for(inti=0;i { doublecur_entropy=caculateCurrentEntropy(hist,i,object)+ caculateCurrentEntropy(hist,i,back); if(cur_entropy>maxentropy) { maxentropy=cur_entropy; max_index=i; } } cvThreshold(src,dst,(double)max_index,255,CV_THRESH_BINARY); = cvReleaseHist(&hist); } intmain(intargc,_TCHAR*argv[]) { IplImage*src;//声明IplImage指针 //载入图像 if(argc==2&& (src=cvLoadImage(argv[1],CV_LOAD_IMAGE_GRAYSCALE))!=0) { cvNamedWindow("Image",1);//创建窗口 IplImage*dst=cvCreateImage(cvGetSize(src),IPL_DEPTH_8U,1); MaxEntropy(src,dst); cvShowImage("Image",dst);//显示图像 cvWaitKey(0);//等待按键 cvDestroyWindow("Image");//销毁窗口 cvReleaseImage(&src);//释放图像 cvReleaseImage(&dst);//释放图像 return0; } return-1; } 5、迭代法(最佳阈值法) 迭代法是基于逼近的思想，迭代阈值的获取步骤可以归纳如下： 1）选择一个初始阈值T(j)，通常可以选择整体图像的平均灰度值作为初始阈值。j为迭代次 数，初始时j=0。 2）用T(j)分割图像，将图像分为2个区域 C 1 和 C 2 。 3）计算两区域的平均灰度值，其中 N 1 、 N 2 为第j次迭代时区域C1和C2的像素点个数， f(x,y)表示图像中（x,y）点的灰度值。 j j j j 1 j 1 j N 1 j f x,y C 1 f x,y j 2 1 j N 2 j f x,y C 2 f x,y 4）再计算新的门限值，即 T j 1 j 1 j 2 2 5）令j=j+1，重复2~4）,直到T(j+1)与T(j)的差小于规定值或j达到最大的迭代次数。 以下为基于OpenCV的代码： /*======================================================================*/ /*迭代法*/ /*======================================================================*/ //nMaxIter：最大迭代次数；nDiffRec：使用给定阀值确定的亮区与暗区平均灰度差 异值 intDetectThreshold(IplImage*img,intnMaxIter,int&iDiffRec)//阀值分割： 迭代法 { //图像信息 intheight=img->height; intwidth=img->width; intstep=img->widthStep/sizeof(uchar); uchar*data=(uchar*)img->imageData; iDiffRec=0; intF[256]={0};//直方图数组 intiTotalGray=0;//灰度值和 intiTotalPixel=0;//像素数和 bytebt;//某点的像素值 uchariThrehold,iNewThrehold;//阀值、新阀值 uchariMaxGrayValue=0,iMinGrayValue=255;//原图像中的最大灰度值和最小灰度 值 uchariMeanGrayValue1,iMeanGrayValue2; //获取(i,j)的值，存于直方图数组F for(inti=0;i { for(intj=0;j { bt=data[i*step+j]; if(bt { iMinGrayValue=bt; } if(bt>iMaxGrayValue) { iMaxGrayValue=bt; } F[bt]++; } } iThrehold=0;// iNewThrehold=(iMinGrayValue+iMaxGrayValue)/2;//初始阀值 iDiffRec=iMaxGrayValue-iMinGrayValue; for(inta=0;(abs(iThrehold-iNewThrehold)>0.5)&&a 条件 { iThrehold=iNewThrehold; //小于当前阀值部分的平均灰度值 for(inti=iMinGrayValue;i { iTotalGray+=F[i]*i;//F[]存储图像信息 iTotalPixel+=F[i]; } iMeanGrayValue1=(uchar)(iTotalGray/iTotalPixel); //大于当前阀值部分的平均灰度值 iTotalPixel=0; iTotalGray=0; for(intj=iThrehold+1;j { iTotalGray+=F[j]*j;//F[]存储图像信息 iTotalPixel+=F[j]; } iMeanGrayValue2=(uchar)(iTotalGray/iTotalPixel); iNewThrehold=(iMeanGrayValue2+iMeanGrayValue1)/2; iDiffRec=abs(iMeanGrayValue2-iMeanGrayValue1); //新阀值 } //cout<<"TheThresholdofthisImageinimgIterationis:"< returniThrehold; } 另外还有两种方法： 一、均匀性度量算法 该算法步骤如下： 1）给定一个初始阈值Th=Th0（例如：可以默认为1，或者是128等），则将原图分为C1 和C2两类。 2）分别计算两类的类内方差： 3）分别计算两类像素在图像中的分布概率： 计算分布概率的目的是：统计该类像素对图像的影响程度。 4）选择最佳阈值Th=Th*，使得下式成立： 二、聚类的方法 1）给定一个初始阈值Th=Th0（例如：可以默认为1，或者是128等），则将原图分为C1 和C2两类； 2）分别计算两类的类内均值与方差： 3）进行重新分类处理。如果 则f(x,y)属于C1，否则f(x,y)属于C2。 4）对上一步重新分类后得到的C1和C2中的所有像素，分别重新计算其各自的均值与方差。 5）如果下式成立： 则输出计算得到的阈值Th(t)，否则重复4），5）。 本文博客地址：/xgmiao