### ### Otsu 阈值处理方法的 Python 手动实现 Otsu 阈值处理是一种基于图像灰度直方图的自动阈值分割方法，其核心思想是通过最大化类间方差来确定最优分割阈值，从而将图像分为前景和背景两部分。该方法在图像处理中广泛应用，尤其适用于双峰直方图的图像分割任务[^2]。 手动实现 Otsu 阈值处理的关键在于模拟图像直方图统计、类间方差计算以及最优阈值搜索。以下是一个基于 NumPy 和 OpenCV 的纯 Python 实现方式，不依赖 OpenCV 的内置 Otsu 函数。 #### 代码实现 ```python import numpy as np import cv2 def otsu_threshold(image): # 灰度图像直方图统计 hist = cv2.calcHist([image], [0], None, [256], [0, 256]) hist_norm = hist.ravel() / hist.sum() # 概率和均值初始化 best_threshold = 0 max_var_between = 0 weight_background = 0 mean_background = 0 total_mean = np.sum(np.arange(256) * hist_norm) # 遍历所有可能的阈值 for t in range(256): weight_background += hist_norm[t] weight_foreground = 1 - weight_background if weight_background == 0 or weight_foreground == 0: continue mean_background += t * hist_norm[t] mean_foreground = total_mean - mean_background var_between = weight_background * weight_foreground * (mean_background - mean_foreground) ** 2 if var_between > max_var_between: max_var_between = var_between best_threshold = t # 应用阈值进行图像分割 _, binary_image = cv2.threshold(image, best_threshold, 255, cv2.THRESH_BINARY) return best_threshold, binary_image # 示例使用 image = cv2.imread('example.jpg', 0) threshold, result = otsu_threshold(image) print(f"Otsu 计算得到的最优阈值为: {threshold}") cv2.imshow("Otsu Result", result) cv2.waitKey(0) cv2.destroyAllWindows() ``` #### 实现说明 - **直方图统计**：使用 `cv2.calcHist` 计算图像的灰度直方图，并进行归一化处理。 - **类间方差计算**：通过遍历所有可能的阈值（0~255），计算前景与背景的类间方差。 - **最优阈值选择**：在遍历过程中记录最大类间方差对应的阈值，作为最终的分割阈值。 - **图像分割**：利用计算得到的最优阈值对图像进行二值化处理。 该实现模拟了 OpenCV 中 `cv2.THRESH_OTSU` 的核心逻辑，能够在不依赖内置函数的情况下完成图像分割任务[^2]。 --- ###