【智能车】摄像头算法理论（2）——OTSU大津法与谷底最小值

1、OTSU简述    

        在进行图像的二值化时需要选取一个阈值T(Threshold)，通常情况下现场调节选取与大津法选取，显然人工选取并不牢靠，一般选用大津法分析现场图像，根据环境自适应选取出最为合适阈值，在发车前使用一次大津法，此后均按照此阈值进行二值化

        大津法的基本原理时将图像分为前景和背景两部分，分割的依据是其灰度值的大小，分割点即是阈值；此方法遍历不同阈值，计算该阈值下前景与背景的类间方差，类间方差时衡量前景与背景整体图像灰度的均匀程度，当这一方差取极大值时，说明此二者差别越大，区分越明显，也就达到了需要的阈值

2、具体方法

        记：在M×N的图像中，前景像素点占比ω₀，像素点数目为N₀，平均灰度μ₀；背景像素点数占整幅图像的比例为ω₁，像素点数目N₁，平均灰度为μ₁，图像的总平均灰度记为μ，类间方差记为g，阈值为T，则有：

                     ω₀=N₀/ M×N (1)
　　　　　　ω₁=N₁/ M×N (2)
　　　　　　N₀+N₁=M×N (3)

        由T分割M×N中的N₀与N₁，这就构建出了T与ω_0/1的联系
　　　　　　ω₀+ω₁=1(4)
　　　　　　μ=ω₀μ₀+ω₁μ₁ (5)
　　　　　　g=ω₀(μ₀-μ)^2+ω₁(μ₁-μ)² (6) 

 

        将(5)带入(6)中可得：

                      g=ω₀ω₁(μ₀-μ₁)²   

        当g取最大值时对应的T值即为所求，T需要的遍历的范围可取在最小灰度与最大灰度之间

        对于这一方法的理解，一般而言大津法适用于噪声较小（可将图像事先经过降噪处理）的，灰度直方图符合双峰分布（双峰分别为背景和前景，中间的低谷对应横轴值即为阈值T） 

 

3、OTSU问题所在

        在利用OTSU进行对赛道的阈值分割，尤其时对赛道边缘存在黑色边条时，OTSU往往会出现误判：

 

                                                 大津法

 

                                                 谷底最小值 

        而采用谷底最小值算法进行分割效果较好

4、谷底最小值