### Otsu 算法在 OpenCV 中的实现原理 Otsu 算法通过最大化类间方差来自动确定图像的最佳阈值，广泛应用于图像分割。其核心思想是基于图像灰度直方图，将图像像素划分为前景和背景两个类别，并计算使这两类之间方差最大的阈值作为最优分割点[^1]。 #### 1. 类间方差的计算方式 Otsu 方法中，假设图像总共有 $ L $ 个灰度级，每个灰度级的概率为 $ p_i $，均值为 $ \mu $。设当前阈值为 $ k $，则： - 前景（灰度小于等于 $ k $）的总概率为： $$ P_1(k) = \sum_{i=0}^{k} p_i $$ - 前景的均值为： $$ \mu_1(k) = \frac{1}{P_1(k)} \sum_{i=0}^{k} i \cdot p_i $$ - 背景（灰度大于 $ k $）的总概率为： $$ P_2(k) = 1 - P_1(k) $$ - 背景的均值为： $$ \mu_2(k) = \frac{1}{P_2(k)} \sum_{i=k+1}^{L-1} i \cdot p_i $$ - 类间方差定义为： $$ \sigma^2(k) = P_1(k) \cdot (\mu_1(k) - \mu)^2 + P_2(k) \cdot (\mu_2(k) - \mu)^2 $$ 算法遍历所有可能的灰度级 $ k $，并选择使 $ \sigma^2(k) $ 最大的那个作为最佳阈值[^4]。 #### 2. OpenCV 中的 Otsu 实现机制 OpenCV 提供了 `cv::threshold` 函数，支持直接使用 Otsu 算法进行二值化处理。具体调用形式如下： ```cpp double otsu_threshold = threshold(gray, dst, 0, 255, THRESH_BINARY | THRESH_OTSU); ``` 其中： - `gray` 是输入的单通道灰度图像； - `dst` 是输出的二值图像； - `0` 表示手动设定的初始阈值（Otsu 模式下无效）； - `255` 是目标最大值； - `THRESH_BINARY` 定义二值化规则：若像素值大于阈值则置为 255，否则置为 0； - `THRESH_OTSU` 标志表示启用 Otsu 自动阈值计算机制。 OpenCV 内部会先统计图像的灰度直方图，然后遍历所有可能的灰度级，计算对应的类间方差，并选择使方差最大的灰度级作为最终阈值。该阈值随后被用于图像的二值化处理[^2]。 #### 3. Otsu 算法的优势与局限性 Otsu 算法无需人工干预即可完成阈值选取，在大多数情况下具有良好的分割效果，尤其适用于前景与背景灰度分布差异较大的图像。然而，当图像存在光照不均匀、噪声干扰严重或目标占比极小等情况时，Otsu 的分割结果可能会受到影响[^1]。 为了提升复杂场景下的分割性能，通常可以结合以下策略： - 图像预处理：如高斯滤波、直方图均衡化等； - 多尺度 Otsu 分割； - 改进型 Otsu 方法，例如结合局部信息或模糊集理论。 ---