下载文档原格式
简述 otsu 算法的原理和步骤。
OStsu 算法是一种基于阈值分割的图像去噪算法,其基本原理是在原始图像上选取一个阈值,将像素值低于该阈值的像素设置为噪声,将像素值高于该阈值的像素设置为清晰的图像。
具体步骤如下:
1. 选取一个阈值 T = 255/n,其中 n 是像素值的范围。
2. 计算像素值差 U = (P - Q) / n,其中 P 和 Q 分别是清晰的图像和噪声的图像的像素值,n 是像素值的范围。
3. 将像素值 U 小于等于阈值 T 的像素设为噪声,即 N(T, U) = {(U, V)},其中 V 表示该像素值下的样本集合,V 的索引从 1 到 n。
4. 将像素值 U 大于阈值 T 的像素设置为清晰的图像,即 C(T, U) = {(X, Y)},其中 X 和 Y 表示该像素值下的样本集合,X 的索引从 1 到 n,Y 的索引从 1 到 n。
5. 将像素值 U 介于阈值 T 和 255/n 之间的像素设置为噪声,即 N(T, U) = {(U, V)},其中 V 表示该像素值下的样本集合,V 的索引从 1 到 n。
6. 重复步骤 3 到步骤 5,直到所有像素都被划分为清晰和噪声两部分。
7. 返回清晰和噪声的图像集合 C(T, U) 和 N(T, U)。
OStsu 算法的优点在于简单易用,能够快速地去掉大量的噪声,
同时保持图像的基本特征。
但是其缺点在于对于低光照环境下的图像可能会失效,并且在处理高分辨率图像时需要更多的计算资源。
最大类间方差法是由日本学者大津于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU。
它是按图像的灰度特性,将图像分成背景和目标两部分。
背景和目标之间的类间方差越大,说明构成图像的两部分的差别越大, 当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。
因此,使类间方差最大的分割意味着错分概率最小。
function ostu,filequeryStatus = QUERY_IMAGE(file, fileInfo)if queryStatus eq 0 then beginResult = DIALOG_MESSAGE('图像格式不可识别！',/error,title='警告') return,0endifif (fileInfo.CHANNELS ne 1) then beginResult = DIALOG_MESSAGE('图像格式必须为8bit',/error,title='警告') return,0endifimgSize = fileInfo.dimensionsimg=READ_IMAGE(file)p=HISTOGRAM(img)p=p/(imgSize[0]*imgSize[1]*1.0)D=0.0T0=0 ;阈值for T=0,255 do beginp0=0.0 & m0=0for i=0,T do beginp0=p0+p[i]m0=m0+i*p[i]endform0=m0/p0p1=0.0 & m1=0for i=T+1,255 do beginp1=p1+p[i]m1=m1+i*p[i]endform1=m1/p1m=p0*m0+p1*m1D01=p0*(m0-m)^2+p1*(m1-m)^2if (D lt D01) then beginD=D01T0=Tendifendforprint,'ostu法阈值:'+strtrim(T0,2)img [WHERE (img le T0)] = 0img [WHERE (img gt T0)] = 255return, imgend;--------------------pro ostu_test,imagefileDEVICE, DECOMPOSED=1; 获取本程序所在文件路径RootDir = Sourceroot()if n_elements(imagefile) eq 0 then imagefile='man' file=RootDir+imagefile+'.bmp'imgSize = fileInfo.dimensionsimg=READ_IMAGE(file)ostuimg=ostu(file)WINDOW, /free, XSIZE = imgSize[0], YSIZE = imgSize[1] TV, imgend。
【转】七种常见阈值分割代码（Otsu、最⼤熵、迭代法、⾃适应阀值、⼿动、迭代法、基本全局阈值法）⼀、⼯具：VC+OpenCV⼆、语⾔：C++三、原理otsu法（最⼤类间⽅差法，有时也称之为⼤津算法）使⽤的是聚类的思想，把图像的灰度数按灰度级分成2个部分，使得两个部分之间的灰度值差异最⼤，每个部分之间的灰度差异最⼩，通过⽅差的计算来寻找⼀个合适的灰度级别来划分。
所以可以在⼆值化的时候采⽤otsu 算法来⾃动选取阈值进⾏⼆值化。
otsu算法被认为是图像分割中阈值选取的最佳算法，计算简单，不受图像亮度和对⽐度的影响。
因此,使类间⽅差最⼤的分割意味着错分概率最⼩。
设t为设定的阈值。
wo：分开后前景像素点数占图像的⽐例uo：分开后前景像素点的平均灰度w1：分开后被景像素点数占图像的⽐例u1：分开后被景像素点的平均灰度u=w0*u0 + w1*u1 :图像总平均灰度从L个灰度级遍历t，使得t为某个值的时候，前景和背景的⽅差最⼤，则这个 t 值便是我们要求得的阈值。
其中，⽅差的计算公式如下：g=wo * (uo - u) * (uo - u) + w1 * (u1 - u) * (u1 - u)[ 此公式计算量较⼤，可以采⽤： g = wo * w1 * (uo - u1) * (uo - u1) ]由于otsu算法是对图像的灰度级进⾏聚类，so 在执⾏otsu算法之前，需要计算该图像的灰度直⽅图。
迭代法原理：迭代选择法是⾸先猜测⼀个初始阈值，然后再通过对图像的多趟计算对阈值进⾏改进的过程。
重复地对图像进⾏阈值操作，将图像分割为对象类和背景类，然后来利⽤每⼀个类中的灰阶级别对阈值进⾏改进。
图像阈值分割---迭代算法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值间的差⼩于⼀个预定义参数为⽌。
目录摘要1原理与实现 (1)1.1图像分割 (1)1.2阈值分割 (1)1.3 OTSU算法 (2)2 设计实现程序 (4)3 程序运行结果与分析 (7)3.1程序运行结果 (7)3.2 结果分析 (9)4 心得体会 (11)参考文献 (12)摘要图像分割是图像识别和图像理解的基本前提步骤。
图像分割算法一般是基于灰度的两个性质之一：不连续性和相似性。
图像的阈值分割是基于图像的相似性根据事先制定的准则将图像分割为相似的区域。
图像分割的作用是把反映物体真实情况的、占据不同区域的、具有不同特性的目标区分开来，以便计算各个目标的数字特征。
图像分割质量的好坏直接影响后续图像处理的效果，甚至决定其成败，因此，图像分割的作用至关重要。
本设计主要是使用阈值分割法中的最大类间方差法（OTSU）的原理来将图像进行不使用库函数和使用库函数的阈值分割，并将两种方法的阈值显示出来进行比较，同时显示不同阈值情况下的图像结果。
关键词：图像分割阈值分割最大类间方差法1原理与实现1.1图像分割数字图像处理的目的之一是图像识别, 而图像分割是图像识别工作的基础。
图像分割是将一幅图像分解成若干互不交叠的、有意义的、具有相同性质的区域。
这些区域互不交叠, 每一个区域内部的某种特性或特征相同或接近, 而不同区域间的图像特征则有明显差别, 即同一区域内部特性变化平缓, 相对一致, 而区域边界处则特性变化比较剧烈。
区域内是一个所有像素都有相邻或相接触像素的集合, 是像素的连通集。
在一个连通集中任意两个像素之间, 都存在一条完全由这个集合的元素构成的连通路径。
图像分割的基础是像素间的相似性和不连续性。
所谓“相似性”是指在某个区域内像素具有某种相似的特性, 如灰度一样, 纹理相同;所谓“不连续性”是指特性不连续, 如灰度值突变等。
图像分割的方法有多种, 依据工作对象来分, 可分为点相关分割和区域相关分割; 按算法分类, 可分为阈值法、界限检测法、匹配法、跟踪法等。
基于改进的Otsu 算法的遥感图像阈值分割韩青松1,贾振红1,杨 杰2,庞韶宁31.新疆大学信息科学与工程学院,新疆乌鲁木齐 830046;2.上海交通大学图像处理与模式识别研究所,上海 200240;3.新西兰奥克兰理工大学知识工程与开发研究所,新西兰奥克兰 1020提要:传统的Otsu 算法仅仅适用于目标与背景分布均匀的图像,在处理遥感图像时具有一定的局限性。
本文在分析传统的Otsu 算法原理的基础上,结合遥感图像灰度级多、信息量大和边界模糊的实际情况,提出了一种改进的O ts u 算法,用图像的方差信息代替均值信息计算最佳的分割阈值,实现遥感图像阈值分割。
实验仿真结果表明,与传统的Otsu 算法以及其它的一些改进的Otsu 算法相比,本文算法具有明显的优越性。
关键词:Otsu 算法;方差信息;均值信息;遥感图像阈值分割中图分类号:TP391.41 文献标识码:A 文章编号:0253-2743(2010)06-0033-02Remote sensing image thresholding segmentation based on the modified Otsu algorithmHAN Qing-s ong 1,JIA Zhen-hong 1,YA NG Jie 2,PA NG Shao-ning 31.College of Information Science and Engineering,Xi njiang Uni versity,Urumqi 830046,China;2.Ins titute of Image Processing and Pattern Recogniti on,Shanghai Jiaotong University,Shanghai 200240,China;3.Knowledge Engi neering and Dis covery Res earch Ins ti tute,Auckland Universi ty of Technology,Auckland 1020,Ne w ZealandAbs tract:The traditional Otsu algorithm only sui t w ell-di stributed images in target and background.When us ed in processing the remote sensi ng i mages,it exis ts s ome limitati ons.Based on the traditi onal Ots u .s princi ples,this paper proposes a modified Otsu algorithm which combines the charac ters of the remote sensing image:more gray-scale ,great information and fuzz y boundaries.In order to calculate the optimum thres hold of the re mote sensi ng image,thi s paper uses the variance information ins tead of the mean information.Co mpared with the tradi ti onal Otsu algorithm and other modified algorithms,the experi mental resul t show that this al gori thm has obvious advantages.K ey words :Otsu al gori thm;variance information;mean information;remote s ensing i mage thresholdi ng segmentati on收稿日期:2010-10-11基金项目:科技部国际科技合作项目(项目编号;2009DF A12870)作者简介:韩青松(1983-),男,硕士研究生,主要研究方向:数字图像处理。
阈值分割方法1. 什么是阈值分割？阈值分割是将图像根据其灰度级分割成两个或多个部分的过程。
这个过程中，我们选择一个阈值来确定像素应该属于哪个类别（前景或背景）。
2. 常见的阈值分割方法有哪些？常用的阈值分割方法包括全局阈值法、局部阈值法（如Otsu阈值法）、自适应阈值法、多阈值分割法等。
3. 全局阈值法是如何工作的？全局阈值法首先计算出图像的灰度平均值作为初始阈值，然后迭代地计算前景和背景的平均灰度值并重新计算阈值，直到阈值收敛为止。
4. 局部阈值法是如何工作的？局部阈值法将图像分割成许多小区域，然后为每个区域选择不同的阈值。
这可以让我们在处理具有不同灰度级的图像时获得更好的结果。
5. Otsu阈值法是如何工作的？Otsu阈值法是一种自适应阈值方法，它通过寻找使类间差异最大的阈值来确定图像的二值化阈值。
6. 自适应阈值法是如何工作的？自适应阈值法将图像分割成多个子区域，并根据每个子区域的统计特性来确定二值化阈值。
这可以解决具有大量噪声的图像的问题。
7. 多阈值分割法是如何工作的？多阈值分割法将图像分成多个部分，并针对每个部分选择不同的阈值。
这在处理具有多个目标或复杂纹理的图像时特别有用。
8. 如何选择最佳阈值？选择最佳阈值的方法取决于我们所处理的图像以及我们所需的分割质量。
通常，我们可以使用像Otsu阈值法这样的自适应方法，或者手动测试不同阈值的效果以找到最佳的阈值。
9. 阈值分割的优缺点是什么？阈值分割的主要优点是简单快速，并且容易实现。
它不能很好地处理具有复杂纹理或多个目标的图像，并且对图像中的噪声比较敏感。
10. 阈值分割在哪些领域应用广泛？阈值分割在医学影像处理、计算机视觉、机器人技术、数字图像处理等领域应用广泛。
在医学领域，阈值分割用于提取CT和MRI扫描中的病变区域。
在计算机视觉中，阈值分割可以用于滤除图像背景或提取目标区域。
在机器人技术中，阈值分割可用于机器人导航和自动化应用等方面。
目录摘要 (I)1 原理与实现 (1)1.1图像分割 (1)1.2 阈值分割 (1)1.3 OTSU算法 (2)1.4 迭代法 (3)2 程序设计 (4)2.1 主程序 (4)2.2 OTSU (5)2.3 全局阈值 (6)2.4 迭代法 (6)3结果与分析 (8)4 心得体会 (10)参考文献 (11)专业综合课程设计任务书学生姓名: 专业班级:指导教师: 工作单位:题目:图像OTSU阈值分割的程序设计初始条件:（1）提供实验室机房及其matlab软件；（2）提供一张灰度图片；（3）数字图像处理的基本理论学习。
要求完成的主要任务:(包括课程设计工作量及其技术要求,以及说明书撰写等具体要求):（1）掌握数字图像分割的基本原理；（2）熟悉掌握matlab软件，并利用matlab设计一程序完成以下功能；（3）根据OTSU（最大类间方差法）原理，设计求取阈值的程序（不能使用Matlab 的库函数），并与用Matlab的库函数求得的阈值进行比较；（4）用求得的阈值对一灰度图片进行分割，并对结果进行分析；（5）要求阅读相关参考文献不少于5篇；（6）根据课程设计有关规范，按时、独立完成课程设计说明书。
时间安排:(1) 布置课程设计任务,查阅资料,确定方案四天；(2) 进行编程设计一周；(3) 完成课程设计报告书三天；指导教师签名: 年月日系主任(或责任教师)签名: 年月日摘要数字图像处理的目的之一是图像识别, 而图像分割是图像识别工作的基础。
图像分割的算法有阈值分割法，边缘检测法，区域分割等，本设计重点介绍了阈值分割法中的最大类间方差法（OTSU）的原理，matlab的实现代码与运行结果，并与matlab自带的库函数运行结果进行比较，还扩展了迭代法分割，手动输入一个阈值进行分割。
本程序中很多地方都有输入输出提示，有一定的人机交互。
关键词：OTSU；图像分割；matlab；1 原理与实现1.1图像分割数字图像处理的目的之一是图像识别, 而图像分割是图像识别工作的基础。
otsu法计算阈值c++Otsu法是一种常用的图像阈值分割方法，用于自动确定图像的二值化阈值。
在C++中，可以使用OpenCV库来实现Otsu法计算阈值。
下面是一个示例代码：cpp.#include <iostream>。
#include <opencv2/opencv.hpp>。
int main() {。
// 读取图像。
cv::Mat image = cv::imread("image.jpg",cv::IMREAD_GRAYSCALE);// 计算Otsu阈值。
double otsuThreshold = cv::threshold(image, image, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);std::cout << "Otsu阈值: " << otsuThreshold << std::endl;// 显示原始图像和二值化结果。
cv::imshow("Original Image", image);cv::waitKey(0);return 0;}。
在上述代码中，首先使用`cv::imread`函数读取图像，将其转换为灰度图像。
然后，使用`cv::threshold`函数计算Otsu阈值，并将结果保存在`otsuThreshold`变量中。
最后，使用`cv::imshow`函数显示原始图像和二值化结果。
需要注意的是，上述代码中的图像文件名为"image.jpg"，请根据实际情况修改为你要处理的图像文件名。
另外，你需要在编译和运行代码之前确保已经安装了OpenCV库，并将其正确配置到你的开发环境中。
希望以上信息对你有帮助！如果你有任何其他问题，请随时提问。
otsu算法阈值分割【原创版】目录1.OTSU 算法简介2.OTSU 算法的原理3.OTSU 算法的优缺点4.阈值分割在图像处理中的应用5.总结正文【1.OTSU 算法简介】OTSU（Otsu）算法是一种广泛应用于图像分割的阈值分割方法，由日本计算机科学家 Otsu 于 1979 年提出。
该算法的主要目的是通过自动确定最佳阈值，将图像中具有相似特征的像素分为一类，从而达到分割图像的目的。
与其他阈值分割方法相比，OTSU 算法具有较强的适应性和较好的分割效果，因此在图像处理领域得到了广泛应用。
【2.OTSU 算法的原理】OTSU 算法的原理是基于图像的灰度分布特性，通过最大化两个类别（前景和背景）之间的方差，从而获得最佳的阈值。
具体步骤如下：1) 将图像中的所有像素按照灰度值从小到大排序；2) 计算图像中每个像素的概率 P(i)（即像素值等于 i 的像素在图像中所占的比例）；3) 计算两个类别（前景和背景）的方差σ；4) 对所有可能的阈值 t 进行迭代，计算两个类别的方差σ；5) 选择使得两个类别方差之差最大的阈值 t 作为最佳阈值；6) 将图像中像素的灰度值小于等于阈值的像素分为一类，大于阈值的像素分为另一类。
【3.OTSU 算法的优缺点】OTSU 算法的优点：1) 自动确定最佳阈值，无需人工设定；2) 能够较好地适应图像的灰度分布特性，具有较强的适应性；3) 对于不同灰度分布的图像，具有较好的分割效果。
OTSU 算法的缺点：1) 对于某些特殊形状的图像，分割效果可能不佳；2) 在处理大量图像时，计算复杂度较高，可能会影响算法的运行速度。
【4.阈值分割在图像处理中的应用】阈值分割在图像处理领域具有广泛的应用，例如：1) 目标检测：通过阈值分割，可以将图像中的目标与背景进行区分，从而实现目标检测；2) 图像分割：在遥感图像、医学图像等处理领域，阈值分割可以实现对图像中不同区域的分割，便于后续的特征提取和分析；3) 形态学处理：阈值分割可以为图像处理中的形态学操作（如腐蚀、膨胀等）提供分割后的二值图像，从而实现图像的精细处理。
Oust多阈值图像分割方法基于Otsu阈值分割算法的改进。
Otsu算法是一种自适应的阈值分割方法，用于将图像分为背景和前景两个部分。
然而，当图像中存在多个目标时，使用单个阈值进行分割可能无法满足需求。
Oust方法通过多次应用Otsu算法，使用不同的阈值进行分割，从而实现多目标分割。
Oust多阈值图像分割的步骤如下：对输入图像进行灰度化处理，将其转换为灰度图像。
根据Otsu算法选择第一个阈值，将图像分为两个部分：背景和前景。
在第一次分割的基础上，再次使用Otsu算法选择第二个阈值，将前景部分再次分割为两个子部分。
重复上述过程，直到达到所需的目标数目。
每次迭代都会基于上一次分割的结果选择新的阈值。
根据最终的阈值集合将图像分割为多个目标区域。
以上信息仅供参考，如需获取更多详细信息，建议查阅Oust分割法相关论文或咨询专业人士。
Otsu阈值分割法是一种确定阈值的算法，也被称为最大类间方差法（大津算法）。
该方法基于图像的灰度分布特性，将图像分成背景和目标两部分，分割的依据是两类之间的间类方差最大，即类别内的差异最小化。
这种方法常用于图像进行二值分割时的自适应阈值计算。
Otsu阈值分割法的原理如下：
1. 假设图像的背景较暗，并且图像的大小为M×N，图像中像素的灰度值小于阈值T的像素个数记作N0，
像素灰度大于阈值T的像素个数记作N1。
2. 属于前景（即目标）的像素点数占整幅图像的比例记为ω0，其平均灰度μ0；背景像素点数占整幅图
像的比例为ω1，其平均灰度为μ1。
3. 则有：ω0=N0/（M×N），ω1=N1/（M×N），N0+N1=M×N，ω0+ω1=1，μ=ω0μ0+ω1μ1，
g=ω0*（μ0-μ）^2+ω1*（μ1-μ）^2。
4. 将式（5）代入式（6），得到等价公式：g=ω0ω1（μ0-μ1）^2。
5. 采用遍历的方法得到使类间方差g最大的阈值T，即为所求。
Otsu阈值分割法的优点是计算简单，不受图像亮度和对比度的影响，被认为是图像分割中阈值选取的最佳算法。
二维Otsu阈值分割算法的改进摘要：自动图像阈值分割技术已经被广泛的应用在图像处理和计算机视觉领域中的目标检测，跟踪和识别上。
其中otsu阈值分割算法是一种被广泛使用的分割技术，对于那些直方图呈双峰分布的图像可以得到优秀的分割效果。
然而如果直方图是单峰或是有异常数据出现时，传统的otsu阈值分割算法则会发生错误。
为改善传统otsu法在处理图像时的计算受噪声干扰严重、实时性差、复杂度高等缺点，本文提出了一种改进的基于中值的otsu阈值分割算法。
最后进行的多次测试和实验说明这种改进的方法与传统的otsu阈值分割算法相比较会得到更加满意的结果。
关键词：图像分割；阈值分割；otsu算法中图分类号：tp312在图像处理、模式识别和计算机视觉领域，图像分割对于许多图像分析和处理的任务来说是一个基石。
因为人们往往仅对图像中的某些部分感兴趣，所以希望将这些相关区域分离并提取出来以进行进一步的应用，如进行特征提取和测量。
图像分割是解决此类问题的方法。
图像分割是把图像分成各具特征的区域并提取出感兴趣目标的技术和过程。
图像分割技术是一项计算机领域里的经典的研究课题，计算机视觉中的图像理解包括目标检测、特征提取和目标识别等，都依赖图像分割的质量。
因为分割质量的好坏将直接影响图像处理的后续工作的进行，所以对图像分割的研究一直是图像技术研究中的热点和难点之一。
到目前为止已经出现了许多图像分割技术，如：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。
其中阈值分割算法是应用在图像分割领域的最流行的技术。
阈值分割是最早提出的图像分割方法之一，具有简单、快速的优点。
阈值分割算法的基本思想是通过处于图像灰度取值范围之中的灰度阈值将图像划分成不同的区域，从而达到分割的目的，其中最常见的一种方法，是将图像划分为两部分，即前景和背景。
阈值分割的关键是阈值的选取。
阈值分割算法具有悠久的历史，并广泛应用于图像分析与目标识别等方面。
otsu算法阈值分割
OTSU算法是一种阈值分割算法，在图像处理中起着重要的作用。
本文将详细介绍OTSU算法的原理、步骤和应用。
一、OTSU算法原理
OTSU算法基于图像的灰度直方图，通过寻找图像直方图的双峰特征，选择一个合适的阈值对图像进行分割。
其原理可以概括为：将图像分为背景和前景两部分，使得背景和前景两类的类内方差之和最小化。
二、OTSU算法步骤
1. 计算灰度直方图：首先，需要计算图像的灰度直方图，统计每一灰度级的像素点个数。
2. 计算总体平均灰度值：使用公式计算图像的总体平均灰度值，通过对每个灰度级的像素点数乘以其对应的灰度值，并将结果相加，最后再除以图像像素总数。
3. 遍历所有可能的阈值：从0到灰度级的最大值，遍历所有可能的阈值，计算对应的类内方差。
4. 计算类内方差：对每个阈值，将图像分为两部分，计算背景和前景的类内方差。
类内方差定义为背景和前景两部分像素点的平均方差之和。
5. 找到最小类内方差对应的阈值：经过上一步骤的遍历，找到使类内方差最小的阈值，即为OTSU算法计算得到的最佳阈值。
三、OTSU算法应用
1. 图像二值化：OTSU算法常被用于图像二值化处理，将图像转为黑白二值图像。
通过OTSU算法计算得到的最佳阈值，将图像中的像素点根据阈值分为背景和前景两部分。
2. 图像分割：OTSU算法也可以用于图像分割。
通过将图像根据OTSU算法计算得到的阈值进行分割，可以将图像中感兴趣的物体从背景中分离出来，便于后续处理和分析。
3. 文字识别：OTSU算法在文字识别中具有广泛应用。
通过OTSU算法得到的最佳阈值，可以对图像中的文字区域进行有效分割，提高文字识别的准确性和鲁棒性。
4. 医学图像处理：OTSU算法在医学图像处理中的应用也比较广泛。
通过OTSU算法可以对医学图像进行分割，提取出感兴趣的区域，辅助医生做
出准确的诊断。
四、总结
OTSU算法是一种基于图像灰度直方图的阈值分割算法，通过寻找使类内方差最小的阈值，将图像分割成背景和前景。
OTSU算法应用广泛，常用于图像二值化、图像分割、文字识别和医学图像处理等领域。
通过OTSU 算法可以提高图像处理的效果，提取出感兴趣的区域，为后续的处理和分析提供基础。
