》》点赞，收藏+关注，理财&技术不迷路《《
目录：
9.1 二值化概念与原理
二值化 —— 图像只有两种色，黑白。0-1,0=黑，1=白
灰度：0-255
彩色：255,255,255
定义：图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。
一幅图像包括目标物体、背景还有噪声，要想从多值的数字图像中直接提取出目标物体，常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群。这是研究灰度变换的最特殊的方法，称为图像的二值化（Binarization）。
其实图像二值化的方法有不下二十种。一般分为Global和Local两类，区别就是寻找那个阈值的时候使用到了哪里的信息。
一般是为了将感兴趣目标和背景分离。
图像的二值化是最简单的图像处理技术，它一般都跟具体算法联系在一起，很多算法的输入需要是二值数据。比如你把图像文字转换为PDF文字，PDF上只能是黑白两种颜色。比如你给二维码解码，你需要知道哪块黑哪块白。
去掉图像两个字，二值化在视觉里面应用场景多一些。比如早期的人脸检测很多手势识别的方法，第一步要找到皮肤块，所以需要把图像分为皮肤区域和非皮肤区域，这也算是一种二值化，但通常在方法上用的可能不是基于直方图的了（可能是ID3， 随机森林，SVM，甚至神经网络）。比如Haar特征，以及后来的BRIEF和FAST等，还有LBP实际上都是用到二值的思想。
图像二值化可以看作是聚类，可以看作是分类……这些其实不重要，重要的是它快。它最明显的意义就是简化后期的处理，提高处理的速度。`
但是单一的图像二值化方法（指基于直方图的二值化）往往比不过其他的方法，因为，毕竟你信息丢了太多。但是二值化快啊……你可以进行一百次不同的二值化，然后再得到一个更好的结果……
上面右图中下面两个图是还可以对二值图像进行编码。编码后就更好压缩了，那么我们就可以高度节省内存。
图像二值化方法：
全局阈值
局部阈值
9.2 OpenCV中图像二值化方法：
评判某个算法是否好，就看二值化图像信息是否丢失了很多。
threshold(gray_src, dst, threshold_value, threshold_max,THRESH_BINARY);
//原图，目标图，已知阈值，阈值最大值，阈值类型
返回阈值的值和图像。
阈值：简单点说是把图像分割的标尺。这个标尺是根据什么产生的，可以用阈值产生算法（opencv有两个算法）或者是自己指定一个阈值来进行分割。
如下分苹果，大于某一像素的变为黑色，小于某一像素的变为白色，即可通过阈值把图像分割了。
可以根据有5种阈值类型来分割（Binary segmentation二值分割）。
printf("%d", THRESH_BINARY); //0，二值化
printf("%d", THRESH_BINARY_INV); //1，反二值化
printf("%d", THRESH_TRUNC); //2，截断
printf("%d", THRESH_TOZERO); //3，取零
printf("%d\n", THRESH_TOZERO_INV); //4，反取零
9.2.1 5种阈值处理类型（手动）
9.2.1.1 阈值二值化(threshold binary)
THRESH_BINARY
threshold(gray_src, dst, threshold_value, threshold_max, THRESH_BINARY);
//阈值二值化
左下方直方图表示图像像素点Src(x,y)值的分布情况，蓝色水平线表示阈值，大于阈值的取最大值255，小于阈值的取最小值0：
9.2.1.2 阈值反二值化(threshold binary Inverted)
THRESH_BINARY_INV
左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值，大于阈值的取最小值0，小于阈值的取最大值255：
9.2.1.3 截断 (truncate)
THRESH_TRUNC
左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值 ，大于阈值的跟阈值相等，小于阈值的不变：
9.2.1.4 阈值取零 (threshold to zero)
THRESH_TOZERO
左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值，大于阈值的不变，小于阈值的取最小值0：
9.2.1.5 阈值反取零 (threshold to zero inverted)
THRESH_TOZERO_INV
左下方的图表示图像像素点Src(x,y)值分布情况，蓝色水平线表示阈值，大于阈值的取最小值0，小于阈值的不变：
9.2.2 2种阈值寻找方法(自动/全局; 基于直方图)
threshold(gray_src, dst, 0, 255, THRESH_OTSU | type_value);
//自动计算二值化otsu阈值，忽略输入的阈值
9.2.2.1 Triangle三角阈值法（基于直方图）
该方法是使用直方图数据，基于纯几何方法来寻找最佳阈值，它的成立条件是假设直方图最大波峰在靠近最亮的一侧，然后通过三角形求得最大直线距离，根据最大直线距离对应的直方图灰度等级即为分割阈值，图示如下：
在直方图上从最高峰处bmx到最暗对应直方图bmin(p=0)%构造一条直线，从bmin处开始计算每个对应的直方图b到直线的垂直距离，知道bmax为止，其中最大距离对应的直方图位置即为图像二值化对应的阈值T。
有时候最大波峰对应位置不在直方图最亮一侧，而在暗的一侧，这样就需要翻转直方图，翻转之后求得值，用255减去即得到为阈值T。扩展情况的直方图表示如下：
所以triangle 非常适合用在只有单个波峰时候！！！！多个波峰的话，应用起来会很差。所以做医学图像处理会很好，因为细胞图片的直方图最多都只有三个波峰，这个方法是从生物医学衍生出的。
算法步骤
1. 图像转灰度
2. 计算图像灰度直方图
3. 寻找直方图中两侧边界
4. 寻找直方图最大值
5. 检测是否最大波峰在亮的一侧，否则翻转
6. 计算阈值得到阈值T，如果翻转则255-T
左边为原图，通过直方图来看像素值分布，通过阈值保留，我们看右图发现前景被保留下来了所以为白色，背景就为黑色了。好的二值化方法就应该如右图一样。
二值化方法中的三角二值化：通过直方图来对图像进行三角二值化，连接波峰波谷然后做垂直线。
9.2.2.2 OTSU阈值法（基于直方图）
直方图统计学
otsu 大津算法介绍：
OTSU算法是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法。
利用阈值将原图像分成前景，背景两个图象。
前景：用n1,csum,m1来表示在当前阈值下的前景的点数，质量矩，平均灰度
背景：用n2, sum-csum,m2来表示在当前阈值下的背景的点数，质量矩，平均灰度
当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准，而在otsu算法中这个衡量差别的标准就是最大类间方差，在本程序中类间方差用sb表示，最大类间方差用fmax
这段引用自百度百科，不是很好懂。
otsu 大津算法原理
otsu 大津算法是一种图像二值化算法，作用是确定将图像分成黑白两个部分的阈值。
将图像背景和前景分成黑白两类很好理解，但是如何确定背景和前景的二值化界限（阈值）呢？
对于不同的图像，这个阈值可能不同，这就需要有一种算法来根据图像的信息自适应地确定这个阈值。
首先，需要将图像转换成灰度图像，255个灰度等级。
可以将图像理解成255个图层，每一层分布了不同的像素，这些像素垂直叠加合成了一张完整的灰度图。
我们的目的就是找到一个合适的灰度值，大于这个值的我们将它称之为背景（灰度值越大像素越黑），小于这个值的我们将它称之为前景（灰度值越小像素越白）。
怎么确定这个值就是我们想要的值呢？
这里引入方差的概念，方差越大，相关性越低，黑白越分明。
我们将每一个灰度值之上下之间的像素的方差求出来不就行了吗？找到方差最大的那个灰度值，那个就是我们想要的二值化分隔阈值。
先定义几个符号代表的意义：
h：图像的宽度
w：图像的高度（h*w 得到图像的像素数量）
t ：灰度阈值（我们要求的值，大于这个值的像素我们将它的灰度设置为255，小于的设置为0）
n0：小于阈值的像素，前景
n1：大于等于阈值的像素，背景
n0 + n1 == h * w
w0：前景像素数量占总像素数量的比例
w0 = n0 / (h * w)
w1：背景像素数量占总像素数量的比例
w1 = n1 / (h * w)
w0 + w1 == 1
u0：前景平均灰度
u0 = n0灰度累加和 / n0
u1：背景平均灰度
u1 = n1灰度累加和 / n1
u：平均灰度
u = (n0灰度累加和 + n1灰度累加和) / (h * w) 根据上面的关系
u = w0 * u0 + w1 * u1
g：类间方差（那个灰度的g最大，哪个灰度就是需要的阈值t）
g = w0 * (u0 - u)^2 + w1 * (u1 - u)^2
根据上面的关系，可以推出：（这个一步一步推导就可以得到）
g = w0 * w1 * (u0 - u1) ^ 2
然后，遍历每一个灰度值，找到这个灰度值对应的 g
找到最大的 g 对应的 t
9.2.3 自适应阈值（局部阈值）
可以想象为把矩阵分成模块化，然后各个模块求平均和阈值比较。（所以又有两种平均方法，还有模块大小选择，比较方法是直接单独比较？还是相差在某个范围内？后者好，因为可以考虑到误差，误差 = 像素值中混杂了噪音）
这个方法只返回binary图像，不返回set阈值的值。
C++: void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)
InputArray src：源图像
OutputArray dst：输出图像，与源图像大小一致
int adaptiveMethod：在一个邻域内计算阈值所采用的算法，有两个取值，分别为ADAPTIVE_THRESH_MEAN_C 和 ADAPTIVE_THRESH_GAUSSIAN_C 。
ADAPTIVE_THRESH_MEAN_C的计算方法是计算出领域的平均值再减去第七个参数double C的值
ADAPTIVE_THRESH_GAUSSIAN_C的计算方法是计算出领域的高斯均值再减去第七个参数double C的值
int thresholdType：这是阈值类型，只有两个取值，分别为 THRESH_BINARY 和THRESH_BINARY_INV 具体的请看官方的说明，这里不多做解释
int blockSize：adaptiveThreshold的计算单位是像素的邻域块，邻域块取多大，就由这个值作决定
double C：在对参数int adaptiveMethod的说明中，我已经说了这个参数的作用，从中可以看出，这个参数实际上是一个偏移值调整量
从上面的说明中可以看出，使用函数adaptiveThreshold的关键是确定blockSize和C的值，明白了这两个值的意义之后，在实际项目中，应该可以根据试验法选出较为合适的值吧！
我们改为高斯阈值：
9.2.4 自定义分割
这里我们定义全局平均数来作为阈值分割图像。
上面这一大步是为了将数组矩阵拉直然后求出平均数。一定要先转为 灰度图，因为rgb有三个通道。
9.3 超大图像二值化
# 将大图片拆分成小图片后再用自适应局部阈值比较好
# 因为超大图像一般都是几千万或者几亿像素。1000*1000像素也才100万像素。
# 对于超大像素而言，一个窗口根本显示不了那么多像素。要么就压缩才能显示。
9.3.1 全局阈值(无法排除噪声影响)
本来应该是白色的地方，处理后灰度图中出现了雪花格子，这是噪声引起的，因为我们的OTSU有这个缺点。所以全局阈值有缺点。
9.3.2 全局阈值优化(手动过滤)
全局阈值的上述问题可以通过下面这个方法解决，也可以通过局部阈值解决。以下方法就是把方差小于 某个数 然后直接覆盖为255或0. 这样就排除了噪声干扰（当然也有可能影响到一点点原图像）但肯定比原来要好很多。
9.3.3 局部阈值(可以解决噪声问题)
局部阈值方法中我们考虑了噪声的影响，下面方法我们设立的噪声范围在+-20内，但是全局阈值就没有考虑噪声，所以直接二值化会出现很多错误。
我们还输出了均值和方差，方差为0，均值都为255，说明这一块是空白图像。我们也可以当方差或者mean小于某个数时，直接把它给赋值为0. 这样就可以消除一些噪声产生的误差。
