基本介紹
- 中文名：大津二值化法
- 外文名：Otsu's method
- 領域：圖像
簡介,二值化,計算機視覺,線性判別分析,
簡介
在計算機視覺和圖像處理中，大津二值化法用來自動對基於聚類的圖像進行二值化，或者說，將一個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雙模直方圖（前景像素和背景像素）把包含兩類像素，於是它要計算能將兩類分開的最佳閾值，使得它們的類內方差最小；由於兩兩平方距離恆定，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。
原始方法的多級閾值擴展稱為多大津算法。
二值化
二值化（英語：Thresholding）是圖像分割的一種最簡單的方法。二值化可以把灰度圖像轉換成二值圖像。把大於某個臨界灰度值的像素灰度設為灰度極大值，把小於這個值的像素灰度設為灰度極小值，從而實現二值化。
根據閾值選取的不同，二值化的算法分為固定閾值和自適應閾值。 比較常用的二值化方法則有：雙峰法、P參數法、疊代法和OTSU法等。
計算機視覺
計算機視覺是一門研究如何使機器“看”的科學，更進一步的說，就是指用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，並進一步做圖像處理，用計算機處理成為更適合人眼觀察或傳送給儀器檢測的圖像。
作為一門科學學科，計算機視覺研究相關的理論和技術，試圖創建能夠從圖像或者多維數據中獲取“信息”的人工智慧系統。這裡所指的信息指香農定義的，可以用來幫助做一個“決定”的信息。因為感知可以看作是從感官信號中提取信息，所以計算機視覺也可以看作是研究如何使人工系統從圖像或多維數據中“感知”的科學。
作為一個工程學科，計算機視覺尋求基於相關理論與模型來創建計算機視覺系統。這類系統的組成部分包括：
- 事件監測（例如圖像監測）
- 信息組織（例如圖像資料庫和圖像序列的索引創建）
- 物體與環境建模（例如工業檢查，醫學圖像分析和拓撲建模）
- 交感互動（例如人機互動的輸入設備）
計算機視覺同樣可以被看作是生物視覺的一個補充。在生物視覺領域中，人類和各種動物的視覺都得到了研究，從而創建了這些視覺系統感知信息過程中所使用的物理模型。另一方面，在計算機視覺中，靠軟體和硬體實現的人工智慧系統得到了研究與描述。生物視覺與計算機視覺進行的學科間交流為彼此都帶來了巨大價值。
計算機視覺包含如下一些分支：畫面重建，事件監測，目標跟蹤，目標識別，機器學習，索引創建，圖像恢復等。
線性判別分析
LDA與方差分析（ANOVA）和回歸分析緊密相關，這兩種分析方法也試圖通過一些特徵或測量值的線性組合來表示一個因變數。然而，方差分析使用類別自變數和連續數因變數，而判別分析連續自變數和類別因變數（即類標籤）。邏輯回歸和機率回歸比方差分析更類似於LDA，因為他們也是用連續自變數來解釋類別因變數的。LDA的基本假設是自變數是常態分配的，當這一假設無法滿足時，在實際套用中更傾向於用上述的其他方法。
LDA也與主成分分析（PCA）和因子分析緊密相關，它們都在尋找最佳解釋數據的變數線性組合。LDA明確的嘗試為數據類之間不同建立模型。 另一方面，PCA不考慮類的任何不同，因子分析是根據不同點而不是相同點來建立特徵組合。判別的分析不同因子分析還在於，它不是一個相互依存技術：即必須區分出自變數和因變數（也稱為準則變數）的不同。
在對自變數每一次觀察測量值都是連續量的時候，LDA能有效的起作用。當處理類別自變數時，與LDA相對應的技術稱為判別反應分析。
