### Python 实现 Otsu 方法自动阈值处理 Otsu 的方法是一种用于图像分割的经典技术，其核心思想是通过最大化类间方差来找到最佳的二值化阈值。以下是使用 Python 和 OpenCV 库实现 Otsu 阈值化的代码示例： #### 使用 OpenCV 的内置函数 `cv2.threshold` 实现 Otsu 方法 OpenCV 提供了直接支持 Otsu 方法的功能，可以通过设置参数 `cv2.THRESH_OTSU` 轻松应用该算法。 ```python import cv2 import numpy as np from matplotlib import pyplot as plt # 加载灰度图像 image = cv2.imread('example.jpg', 0) # 使用全局阈值处理 (不启用 Otsu) ret1, thresh1 = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 使用 Otsu 方法自动计算最优阈值 ret2, thresh2 = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 显示结果 plt.subplot(2, 2, 1), plt.imshow(image, 'gray') plt.title('Original Image'), plt.xticks([]), plt.yticks([]) plt.subplot(2, 2, 2), plt.hist(image.ravel(), 256) plt.axvline(x=ret2, color='r', linestyle='dashed', linewidth=2) # 标记 Otsu 计算的阈值 plt.title('Histogram with Otsu Threshold'), plt.xlim([0, 256]) plt.subplot(2, 2, 3), plt.imshow(thresh1, 'gray') plt.title('Global Thresholding'), plt.xticks([]), plt.yticks([]) plt.subplot(2, 2, 4), plt.imshow(thresh2, 'gray') plt.title("Otsu's Thresholding"), plt.xticks([]), plt.yticks([]) plt.show() ``` 上述代码展示了如何加载一张图片并分别使用固定阈值和 Otsu 方法进行二值化处理[^1]。其中，`cv2.threshold` 函数中的第二个参数设为 `0` 表明由 Otsu 方法自行决定阈值；第三个参数表示最大像素值（通常为 255），而第四个参数则是标志位组合。 #### 手动实现 Otsu 方法 如果不依赖 OpenCV 或其他库，则可以手动编写 Otsu 方法的核心逻辑。以下是一个简单的实现方式： ```python def otsu_threshold(image): hist, bins = np.histogram(image.flatten(), 256, [0, 256]) total_pixels = image.size sum_total = np.sum(np.arange(256) * hist) weight_bg = [] weight_fg = [] mean_bg = [] var_between = [] for t in range(256): w_bg = np.sum(hist[:t]) / total_pixels w_fg = np.sum(hist[t:]) / total_pixels if w_bg == 0 or w_fg == 0: continue mu_bg = (np.sum(np.arange(t) * hist[:t])) / (w_bg * total_pixels) mu_fg = (sum_total - np.sum(np.arange(t) * hist[:t])) / (w_fg * total_pixels) var_between.append(w_bg * w_fg * (mu_bg - mu_fg)**2) weight_bg.append(w_bg) weight_fg.append(w_fg) mean_bg.append(mu_bg) threshold_value = np.argmax(var_between) return threshold_value # 测试自定义 Otsu 方法 image = cv2.imread('example.jpg', 0) custom_thresh_val = otsu_threshold(image) print(f"Custom Otsu Threshold Value: {custom_thresh_val}") _, custom_thresh_image = cv2.threshold(image, custom_thresh_val, 255, cv2.THRESH_BINARY) plt.imshow(custom_thresh_image, 'gray') plt.title("Manual Otsu's Thresholding") plt.show() ``` 此代码实现了 Otsu 方法的关键步骤——遍历所有可能的阈值，并选择使类间方差最大的那个作为最终阈值[^2]。 --- ### 多阈值 Otsu 分割 对于某些复杂场景下的图像分割需求，单一阈值可能不足以满足要求。此时可考虑扩展到多阈值情况。具体做法是对直方图分层后再逐级应用 Otsu 方法[^3]。 ```python def multi_otsu_thresholds(image, num_thresholds=2): thresholds = [] current_image = image.copy() while len(thresholds) < num_thresholds and not np.all(current_image == 0): thresh_val = otsu_threshold(current_image) _, binary_img = cv2.threshold(current_image, thresh_val, 255, cv2.THRESH_BINARY) thresholds.append(thresh_val) current_image[binary_img > 0] = 0 # 更新剩余区域继续查找下一个阈值 return sorted(thresholds) # 测试多阈值分割 multi_thresh_vals = multi_otsu_thresholds(image, num_thresholds=3) print(f"Multi-Otsu Threshold Values: {multi_thresh_vals}") ``` 以上代码片段展示了一种简单的方法来实现多个 Otsu 阈值的选择过程。 ---