二值化函数cvThreshold（）参数CV_THRESH_OTSU的疑惑【转】

查看OpenCV文档cvThreshold()，在二值化函数cvThreshold（const CvArr* src, CvArr* dst, double threshold, double max_value, int threshold_type）中，参数threshold_type有5种类型：

• THRESH_BINARY
• THRESH_BINARY_INV
• THRESH_TRUNC
• THRESH_TOZERO
• THRESH_TOZERO_INV

问题来了：为什么可以在threshold_type参数中使用CV_THRESH_OTSU，在哪里可以查看这种OTSU，它用的什么方法？经多次验证，二值化的效果很好，且速度很快。
已经有一些同志在使用：
例证1：例证1
例证2：例证2
例证3：例证3

我的遭遇：为了二值化一个比较大的图像（10M，3840*2748），痛苦的看了各种论文，尝试了各种的二值化方法：一维OTSU，快速迭代的一维OTSU，二维的OTSU,快速迭代的二维OTSU。但现实的残酷的！只有二维的OTSU和快速迭代的OTSU可用，但前者处理时间让人难以接受，后者也要500多个ms。        快速迭代的二维OTSU算法是根据吴一全老师的《二维最大类间方差阈值分割的快速迭代算法》（论文下载链接，提取码：fd0b）来实现的。但是令我哭笑不得的是，无意中在网上发现了一种方法threshold_type使用参数使用CV_THRESH_OTSU时，时间却大大的缩短。程序如下（
程序下载链接提取码：fd0b），图像下载  （提取码：24f3）。

/* otsu_2d：二维最大类间方差阈值分割的快速迭代算法   吴一全 */
#include <iostream>
#include <cv.h>
#include <highgui.h>

using namespace std;
double TwoDimentionOtsu(IplImage *image);
int main()
{
        IplImage* srcImage = cvLoadImage( "E:/image_1/14.bmp",0 );
        assert(NULL != srcImage);

        cvNamedWindow("src",0);
        cvShowImage("src",srcImage); 

        clock_t start_time=clock();

        //计算最佳阈值
        double threshold = TwoDimentionOtsu(srcImage);//70,125

        clock_t end_time=clock();
        cout<< "Running time is: "<<static_cast<double>(end_time-start_time)/CLOCKS_PER_SEC*1000<<"ms"<<endl;//输出运行时间

        cout << "threshold=" << threshold << endl;

        IplImage* biImage = cvCreateImage(cvGetSize(srcImage),8,1);
        //对图像二值化
        //cvThreshold(srcImage,biImage,255,255, CV_THRESH_OTSU | CV_THRESH_BINARY);
        cvThreshold(srcImage,biImage,threshold,255, CV_THRESH_BINARY);

        cvNamedWindow("binary",0);
        cvShowImage("binary",biImage);  

        cvWaitKey(0);  

        cvReleaseImage(&srcImage);
        cvReleaseImage(&biImage);  

        cvDestroyAllWindows();  

        return 0;
}
double TwoDimentionOtsu(IplImage *image)
{
        double t0 = 0, s0 = 0, t = 0, s = 0;
        int width = image->width;
        int height = image->height;
        double dHistogram[256][256]={0.0};                                //建立二维灰度直方图
        unsigned long sum0 = 0,sum1 = 0;                                //sum0记录所有的像素值的总和,sum1记录3x3窗口的均值的总和
        uchar* data = (uchar*)image->imageData;
        for(int i=0; i<height; i++)
        {
                for(int j=0; j<width; j++)
                {
                        unsigned char nData1 = data[i * image->widthStep + j];//nData1记录当前点（i,j）的像素值
                        sum0 += nData1;
                        unsigned char nData2 = 0;  //nData2记录以当前点（i,j）为中心三领域像素值的平均值
                        int nData3 = 0;                                        //nData3记录以当前点（i,j）为中心三领域像素值之和，注意9个值相加可能超过一个字节
                        for(int m=i-1; m<=i+1; m++)
                        {
                                for(int n=j-1; n<=j+1; n++)
                                {
                                        if((m>=0)&&(m<height)&&(n>=0)&&(n<width))
                                                nData3 += data[m * image->widthStep + n];
                                }
                        }
                        nData2 = (unsigned char)(nData3/9);    //对于越界的索引值进行补零,邻域均值
                        sum1 += nData2;
                        dHistogram[nData1][nData2]++;
                }
        }

        long N = height*width;                //总像素数
        t = sum0/N;                                        //图像灰度级均值
        s = sum1/N;                                        //邻域平均灰度级的均值

        s0 = s;
        t0 = t;
        for(int j=0; j<256; j++)
                for(int i=0; i<256; i++)
                {
                        dHistogram[i][j] = dHistogram[i][j]/N;  //得到归一化的概率分布
                }

                double w0 = 0.0,w1 = 0.0,u0i = 0.0,u1i = 0.0,u0j = 0.0,u1j = 0.0;

                do
                {
                        t0 = t;
                        s0 = s;
                        w0 = w1 = u0i = u1i = u0j = u1j = 0.0;
                        for (int i = 0,j; i < 256; i++)
                        {
                                for (j = 0; j < s0; j++)
                                {
                                        w0 += dHistogram[i][j];
                                        u0j += dHistogram[i][j] * j;
                                }

                                for (; j < 256; j++)
                                {
                                        w1 += dHistogram[i][j];
                                        u1j += dHistogram[i][j] * j;
                                }

                        }
                        for (int j = 0,i = 0; j < 256; j++)
                        {
                                for (i = 0; i < t0; i++)
                                        u0i += dHistogram[i][j] * i;
                                for (; i < 256; i++)
                                        u1i += dHistogram[i][j] * i;
                        }
                        u0i /= w0;
                        u1i /= w1 ;
                        u0j /= w0;
                        u1j /= w1;

                        t = (u0i + u1i)/2;
                        s = (u0j + u1j)/2;
                }while ( t != t0);//是否可以用这个做为判断条件，有待考究，请高手指点

                return t;//只用t做为阈值，个人也感觉不妥，但没有找到更好的方法，请高手指点

}

输出结果：

 cvThreshold（）参数设为CV_THRESH_OTSU，输入结果：

原文地址：https://www.cnblogs.com/huaxingtianxia/p/9052135.html