对最大类间方差法进行改良

资 源 简 介

对最大类间方差法进行改良

详 情 说 明

最大类间方差法（Otsu's Method）是图像处理中广泛使用的自动阈值选取算法，其核心思想是通过最大化类间方差来寻找最佳分割阈值。然而，传统方法仅考虑类间差异，忽略了类内数据的离散程度，这可能导致某些场景下的分割效果不理想。

为解决这一局限性，改良方案引入最小类内方差作为辅助条件。新算法在最大化类间方差的同时，要求两类内部的像素灰度分布尽可能紧凑。这种双目标优化策略能有效抑制噪声干扰，尤其适用于灰度直方图呈现多峰或类间重叠的情况。

具体实现中，算法会遍历所有可能的阈值候选值，分别计算对应的类间方差与两类类内方差之和。通过设计加权评价函数（如类间方差与类内方差的比值），最终选取使评价函数最优的阈值。实验表明，这种改良方法在医学影像、低对比度场景中的分割精度显著提升，且计算复杂度仍保持线性级。