全局阈值算法分析

因为最近在做数字识别，需要用到自动阈值，重新看了看全局阈值算法，分析写在这里

（学习了清风似水流的CSDN博客：http://blog.csdn.net/ilyhlf5201314/article/details/8525695）

1.  处理流程：

             1.为全局阈值选择一个初始估计值T(图像的平均灰度)。
             2.用T分割图像。产生两组像素：G1有灰度值大于T的像素组成，G2有小于等于T像素组成。
             3.计算G1和G2像素的平均灰度值m1和m2；
             4.计算一个新的阈值:T = (m1 + m2) / 2;
             5.重复步骤2和4,直到连续迭代中的T值间的差为零。

             此种方法主要适用于图像直方图有明显波谷。

2.程序代码：

//全局阈值函数
//给定一个初始阈值T，在T两边分别计算平均阈值T1和T2，不等，T=(T1+T2)/2，知道两边的平均阈值相等
u8 GlobalThreshold(u8 **img, u16 height, u16 width)
{
    u8 pg[256] = {0};         //直方图数组
    u16 i,j,t=0,t1,t2,k1,k2;
    double u=0,u1,u2;

    //for (i = 0; i<256; i++) pg[i]=0;
    for (i = 0; i<height; i++) //直方图统计
    {
        for (j = 0; j<width; j++)
        {
            pg[ img[i][j] ]++;
        }
    }
            

    
    for (i=0;i<256;i++)
    {
        t += pg[i];              //计算被统计的像素点数目
        u += i * pg[i];          //第i阶灰度值*第i阶像素数目
    }
    k2 = (u16 )( u/t); //计算被统计像素点灰度的平均值，初始灰度值
    
    do {
        k1 = k2;
        t1 = 0; u1 = 0;
        for (i = 0; i<=k1; i++)       //类似前面，计算低灰度组的累加值
        {
            t1 += pg[i];         //计算低灰度组被统计的像素点数目
            u1 += i * pg[i];
        }

        t2 = t - t1;           //得到高灰度组的像素点数目
        u2 = u - u1;           //得到高灰度组的加权灰度

        if (t1)
            u1=u1/t1;     //计算低灰度组的平均值
        else
            u1=0;

        if (t2)
            u2=u2/t2;    //计算高灰度组的平均值
        else
            u2=0;

        k2 = (u16 )((u1 + u2)/2 );    //计算新的阈值
    }while( k1 != k2);        //如果数值未稳定，继续

    return k1;
}