大津法阈值法代码

int otsu(IplImage *image)

{

	assert(NULL != image);



	int width = image->width;

	int height = image->height;

	int x=0,y=0;

	int pixelCount[256];

	float pixelPro[256];

	int i, j, pixelSum = width * height, threshold = 0;



	uchar* data = (uchar*)image->imageData;



	//初始化

	for(i = 0; i < 256; i++)

	{

		pixelCount[i] = 0;

		pixelPro[i] = 0;

	}



	//统计灰度级中每个像素在整幅图像中的个数

	for(i = y; i < height; i++)

	{

		for(j = x;j <width;j++)

		{

			pixelCount[data[i * image->widthStep + j]]++;

		}

	}

	//计算每个像素在整幅图像中的比例

	for(i = 0; i < 256; i++)

	{

		pixelPro[i] = (float)(pixelCount[i]) / (float)(pixelSum);

	}



	//经典ostu算法,得到前景和背景的分割

	//遍历灰度级[0,255],计算出方差最大的灰度值,为最佳阈值

	float w0, w1, u0tmp, u1tmp, u0, u1, u,deltaTmp, deltaMax = 0;

	for(i = 0; i < 256; i++)

	{

		w0 = w1 = u0tmp = u1tmp = u0 = u1 = u = deltaTmp = 0;



		for(j = 0; j < 256; j++)

		{

			if(j <= i) //背景部分

			{

				//以i为阈值分类，第一类总的概率

				w0 += pixelPro[j];		

				u0tmp += j * pixelPro[j];

			}

			else       //前景部分

			{

				//以i为阈值分类，第二类总的概率

				w1 += pixelPro[j];		

				u1tmp += j * pixelPro[j];

			}

		}



		u0 = u0tmp / w0;		//第一类的平均灰度

		u1 = u1tmp / w1;		//第二类的平均灰度

		u = u0tmp + u1tmp;		//整幅图像的平均灰度

		//计算类间方差

		deltaTmp = w0 * (u0 - u)*(u0 - u) + w1 * (u1 - u)*(u1 - u);

		//找出最大类间方差以及对应的阈值

		if(deltaTmp > deltaMax)

		{	

			deltaMax = deltaTmp;

			threshold = i;

		}

	}

	//返回最佳阈值;

	return threshold;

}