### C++ 中使用 OpenCV 实现大津法阈值处理及图像二值化的代码 以下是基于 OpenCV 的 C++ 示例代码，用于实现大津法（OTSU）阈值处理并完成图像的二值化： ```cpp #include <opencv2/opencv.hpp> #include <iostream> int main() { // 加载灰度图像 cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); if (src.empty()) { std::cerr << "无法加载图像!" << std::endl; return -1; } // 创建目标矩阵 cv::Mat dst; // 使用 OTSU 方法进行阈值处理 double thresholdValue = 0; // 阈值初始设为 0 double maxVal = 255; // 最大值设置为 255 int ret = cv::threshold(src, dst, thresholdValue, maxVal, cv::THRESH_BINARY | cv::THRESH_OTSU); // 输出计算得到的最佳阈值 std::cout << "最佳阈值: " << ret << std::endl; // 显示原始图像和二值化后的图像 cv::imshow("Original Image", src); cv::imshow("Binary Image with OTSU Thresholding", dst); // 等待按键关闭窗口 cv::waitKey(0); return 0; } ``` #### 关键点解析 - **cv::threshold 函数** `cv::threshold` 是 OpenCV 提供的一个函数，可以用来执行多种类型的阈值操作。当参数标志位包含 `cv::THRESH_OTSU` 时，该方法会自动计算最优阈值[^3]。 - **输入与输出** 输入是一个单通道灰度图像 (`cv::IMREAD_GRAYSCALE`)，而输出则是经过二值化处理的结果。 - **显示结果** 利用 `cv::imshow` 可以分别展示原图以及应用 OTSU 后的效果图。 --- ### 自定义实现大津法的核心逻辑 如果希望手动实现大津法而不是依赖于 OpenCV 的内置功能，则可以通过以下方式完成： ```cpp #include <opencv2/opencv.hpp> #include <vector> #include <cmath> double calculateOtsuThreshold(const cv::Mat& image) { const int nGrayLevels = 256; std::vector<int> histogram(nGrayLevels, 0); // 统计直方图数据 for (int i = 0; i < image.rows; ++i) { for (int j = 0; j < image.cols; ++j) { unsigned char pixelValue = image.at<uchar>(i, j); histogram[pixelValue]++; } } // 计算总像素数量 int totalPixels = image.rows * image.cols; // 初始化变量 double sumTotal = 0.0f; for (int i = 0; i < nGrayLevels; ++i) { sumTotal += i * histogram[i]; } double sumForeground = 0.0f; int weightBackground = 0; double varMax = 0.0f; int bestThreshold = 0; // 寻找最佳阈值 for (int t = 0; t < nGrayLevels; ++t) { weightBackground += histogram[t]; if (weightBackground == 0 || weightBackground == totalPixels) continue; double weightForeground = totalPixels - weightBackground; sumForeground += static_cast<double>(t) * histogram[t]; double meanBackground = sumTotal - sumForeground / weightForeground; double betweenClassVariance = weightBackground * weightForeground * pow(meanBackground - sumForeground / weightForeground, 2); if (betweenClassVariance > varMax) { varMax = betweenClassVariance; bestThreshold = t; } } return bestThreshold; } void applyCustomOtsu(cv::Mat& inputImage, cv::Mat& outputImage) { double otsuThreshold = calculateOtsuThreshold(inputImage); outputImage = cv::Mat::zeros(inputImage.size(), CV_8UC1); for (int i = 0; i < inputImage.rows; ++i) { for (int j = 0; j < inputImage.cols; ++j) { uchar value = inputImage.at<uchar>(i, j); outputImage.at<uchar>(i, j) = (value >= otsuThreshold) ? 255 : 0; } } } int main() { cv::Mat src = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); if (src.empty()) { std::cerr << "无法加载图像!" << std::endl; return -1; } cv::Mat binaryImage; applyCustomOtsu(src, binaryImage); cv::imshow("Original Image", src); cv::imshow("Binary Image with Custom OTSU", binaryImage); cv::waitKey(0); return 0; } ``` 此自定义实现展示了如何通过遍历灰度级来寻找使类间方差最大的分割阈值[^4]。 --- ### 总结 无论是调用 OpenCV 内置的 `cv::threshold` 还是自行编写核心算法，都可以高效地完成大津法的阈值选取与图像二值化过程。前者更简洁易用，后者则有助于深入理解原理。