[科普中國(guó)]-大津二值化法

在計(jì)算機(jī)視覺和圖像處理中，大津二值化法用來自動(dòng)對(duì)基于聚類的圖像進(jìn)行二值化， 或者說，將一個(gè)灰度圖像退化為二值圖像。該算法以大津展之命名。算法假定該圖像根據(jù)雙模直方圖（前景像素和背景像素）把包含兩類像素，于是它要計(jì)算能將兩類分開的最佳閾值，使得它們的類內(nèi)方差最?。挥捎趦蓛善椒骄嚯x恒定，所以即它們的類間方差最大。 因此，大津二值化法粗略的來說就是一維Fisher判別分析的離散化模擬。

原始方法的多級(jí)閾值擴(kuò)展稱為多大津算法。

簡(jiǎn)介在計(jì)算機(jī)視覺和圖像處理中，大津二值化法用來自動(dòng)對(duì)基于聚類的圖像進(jìn)行二值化，或者說，將一個(gè)灰度圖像退化為二值圖像。該算法以大津展之命名。算法假定該圖像根據(jù)雙模直方圖（前景像素和背景像素）把包含兩類像素，于是它要計(jì)算能將兩類分開的最佳閾值，使得它們的類內(nèi)方差最??；由于兩兩平方距離恒定，所以即它們的類間方差最大。因此，大津二值化法粗略的來說就是一維Fisher判別分析的離散化模擬。

原始方法的多級(jí)閾值擴(kuò)展稱為多大津算法。1

二值化二值化（英語(yǔ)：Thresholding）是圖像分割的一種最簡(jiǎn)單的方法。二值化可以把灰度圖像轉(zhuǎn)換成二值圖像。把大于某個(gè)臨界灰度值的像素灰度設(shè)為灰度極大值，把小于這個(gè)值的像素灰度設(shè)為灰度極小值，從而實(shí)現(xiàn)二值化。

根據(jù)閾值選取的不同，二值化的算法分為固定閾值和自適應(yīng)閾值。 比較常用的二值化方法則有：雙峰法、P參數(shù)法、迭代法和OTSU法等。1

計(jì)算機(jī)視覺計(jì)算機(jī)視覺是一門研究如何使機(jī)器“看”的科學(xué)，更進(jìn)一步的說，就是指用攝影機(jī)和計(jì)算機(jī)代替人眼對(duì)目標(biāo)進(jìn)行識(shí)別、跟蹤和測(cè)量等機(jī)器視覺，并進(jìn)一步做圖像處理，用計(jì)算機(jī)處理成為更適合人眼觀察或傳送給儀器檢測(cè)的圖像。

作為一門科學(xué)學(xué)科，計(jì)算機(jī)視覺研究相關(guān)的理論和技術(shù)，試圖創(chuàng)建能夠從圖像或者多維數(shù)據(jù)中獲取“信息”的人工智能系統(tǒng)。這里所指的信息指香農(nóng)定義的，可以用來幫助做一個(gè)“決定”的信息。因?yàn)楦兄梢钥醋魇菑母泄傩盘?hào)中提取信息，所以計(jì)算機(jī)視覺也可以看作是研究如何使人工系統(tǒng)從圖像或多維數(shù)據(jù)中“感知”的科學(xué)。

作為一個(gè)工程學(xué)科，計(jì)算機(jī)視覺尋求基于相關(guān)理論與模型來創(chuàng)建計(jì)算機(jī)視覺系統(tǒng)。這類系統(tǒng)的組成部分包括：

過程控制（例如工業(yè)機(jī)器人和無(wú)人駕駛汽車）

事件監(jiān)測(cè)（例如圖像監(jiān)測(cè)）

信息組織（例如圖像數(shù)據(jù)庫(kù)和圖像序列的索引創(chuàng)建）

物體與環(huán)境建模（例如工業(yè)檢查，醫(yī)學(xué)圖像分析和拓?fù)浣＃?/p>

交感互動(dòng)（例如人機(jī)互動(dòng)的輸入設(shè)備）

計(jì)算機(jī)視覺同樣可以被看作是生物視覺的一個(gè)補(bǔ)充。在生物視覺領(lǐng)域中，人類和各種動(dòng)物的視覺都得到了研究，從而創(chuàng)建了這些視覺系統(tǒng)感知信息過程中所使用的物理模型。另一方面，在計(jì)算機(jī)視覺中，靠軟件和硬件實(shí)現(xiàn)的人工智能系統(tǒng)得到了研究與描述。生物視覺與計(jì)算機(jī)視覺進(jìn)行的學(xué)科間交流為彼此都帶來了巨大價(jià)值。

計(jì)算機(jī)視覺包含如下一些分支：畫面重建，事件監(jiān)測(cè)，目標(biāo)跟蹤，目標(biāo)識(shí)別，機(jī)器學(xué)習(xí)，索引創(chuàng)建，圖像恢復(fù)等。1

線性判別分析線性判別分析(LDA)是對(duì)費(fèi)舍爾的線性鑒別方法的歸納，這種方法使用統(tǒng)計(jì)學(xué)，模式識(shí)別和機(jī)器學(xué)習(xí)方法，試圖找到兩類物體或事件的特征的一個(gè)線性組合，以能夠特征化或區(qū)分它們。所得的組合可用來作為一個(gè)線性分類器，或者，更常見的是，為后續(xù)的分類做降維處理。

LDA與方差分析（ANOVA）和回歸分析緊密相關(guān)，這兩種分析方法也試圖通過一些特征或測(cè)量值的線性組合來表示一個(gè)因變量。然而，方差分析使用類別自變量和連續(xù)數(shù)因變量，而判別分析連續(xù)自變量和類別因變量（即類標(biāo)簽）。邏輯回歸和概率回歸比方差分析更類似于LDA，因?yàn)樗麄円彩怯眠B續(xù)自變量來解釋類別因變量的。LDA的基本假設(shè)是自變量是正態(tài)分布的，當(dāng)這一假設(shè)無(wú)法滿足時(shí)，在實(shí)際應(yīng)用中更傾向于用上述的其他方法。

LDA也與主成分分析（PCA）和因子分析緊密相關(guān)，它們都在尋找最佳解釋數(shù)據(jù)的變量線性組合。LDA明確的嘗試為數(shù)據(jù)類之間不同建立模型。 另一方面，PCA不考慮類的任何不同，因子分析是根據(jù)不同點(diǎn)而不是相同點(diǎn)來建立特征組合。判別的分析不同因子分析還在于，它不是一個(gè)相互依存技術(shù)：即必須區(qū)分出自變量和因變量（也稱為準(zhǔn)則變量）的不同。

在對(duì)自變量每一次觀察測(cè)量值都是連續(xù)量的時(shí)候，LDA能有效的起作用。當(dāng)處理類別自變量時(shí)，與LDA相對(duì)應(yīng)的技術(shù)稱為判別反應(yīng)分析。2

本詞條內(nèi)容貢獻(xiàn)者為:

尹維龍 - 副教授 - 哈爾濱工業(yè)大學(xué)