算法核心：找阈值！！！
参考文章：二全局阈值使用thresh_triangle三角形算法
（重要）
一. 局部自适应二值化采用了分块，效果比全局二值化只采用了一种threshold这种，效果要好很多
二. 全局二值化算法：
1.OTSU算法（大津法或最大类间方差法）是由日本学者OTSU于1979年提出的一种对图像进行二值化的高效算法
① Otsu最大类间方差法原理
利用阈值将原图像分成前景，背景两个图象。
前景：用n1,csum,m1来表示在当前阈值下的前景的点数，质量矩，平均灰度
后景：用n2, sum-csum,m2来表示在当前阈值下的背景的点数，质量矩，平均灰度
当取最佳阈值时，背景应该与前景差别最大，关键在于如何选择衡量差别的标准，而在otsu算法中这个衡量差别的标准就是最大类间方差，在本程序中类间方差用sb表示，最大类间方差用fmax
②关于最大类间方差法（otsu）的性能:
类间方差法对噪音和目标大小十分敏感，它仅对类间方差为单峰的图像产生较好的分割效果。
当目标与背景的大小比例悬殊时，类间方差准则函数可能呈现双峰或多峰，此时效果不好，但是类间方差法是用时最少的。
③最大类间方差法（otsu）的公式推导：
记t为前景与背景的分割阈值，前景点数占图像比例为w0，平均灰度为u0；背景点数占图像比例为w1，平均灰度为u1。
则图像的总平均灰度为：u=w0*u0+w1*u1。
前景和背景图象的方差：g=w0*(u0-u)*(u0-u)+w1*(u1-u)*(u1-u)=w0*w1*(u0-u1)*(u0-u1),此公式为方差公式。
可参照概率论课本上面的g的公式也就是下面程序中的sb的表达式。当方差g最大时，可以认为此时前景和背景差异最大，此时的灰度t是最佳阈值sb = w0*w1*(u1-u0)*(u0-u1)
2.三角形法
①三角法求阈值最早见于Zack的论文《Automatic measurement of sister chromatid exchange frequency》,主要是用于染色体的研究，该方法是使用直方图数据，基于纯几何方法来寻找最佳阈值，它的成立条件是假设直方图最大波峰在靠近最亮的一侧，然后通过三角形求得最大直线距离，根据最大直线距离对应的直方图灰度等级即为分割阈值，图示如下：
对上图的详细解释：
在直方图上从最高峰处bmx到最暗对应直方图bmin(p=0)%构造一条直线，从bmin处开始计算每个对应的直方图b到直线的垂直距离，直到bmax为止，其中最大距离对应的直方图位置即为图像二值化对应的阈值T。
扩展情况：
有时候最大波峰对应位置不在直方图最亮一侧，而在暗的一侧，这样就需要翻转直方图，翻转之后求得值，用255减去即得到为阈值T。扩展情况的直方图表示如下：
②算法步骤
1. 图像转灰度
2. 计算图像灰度直方图
3. 寻找直方图中两侧边界
4. 寻找直方图最大值
5. 检测是否最大波峰在亮的一侧，否则翻转
6. 计算阈值得到阈值T，如果翻转则255-T
3. 高斯混合分布的全局阈值算法
本程序的原理很简单：如下图所示，蓝色的代表一个灰度图片的直方图，想办法找到一个合适的混合高斯分布去逼近它。混合高斯分布，其实就是两个高斯分布之和。我们认为两个高斯分布相交的地方的灰度值，就是要选择的阈值。
那么怎么去寻找一个逼近它的高斯分布呢？我用的是一个比较笨的方法，取一个变量t，将这个变量t，从左到右遍历每一个灰度。每次以t左边的数据当成一组样本来估计一个高斯分布，以t右边的数据为另一个样本来估计第二个高斯分布。将这两个高斯分布组合成的混合高斯分布，跟原始的数据匹配。至于匹配标准可以随意选择，可以用最小均方误差，也可以用最小绝对值误差，也可以用相关程度。随着t的遍历，找到每一次混合高斯分布与原始数据的匹配程度，选择最为匹配的混合高斯分布所对应的t值值为阈值。
实践证明，这种方法的自适应性还是很好的，鲁棒性比较好。
当改变直方图时，混合高斯模型的匹配效果，还是很多不错的。
但是有一点，就是要求处理的图片，灰度不能太复杂，尽量符合混合高斯模型。
三. 局部自适应二值化：
1.平均值算法
2.高斯自适应法 参考：
二值化原理：
把一个灰度图像二值化，其实就是找到一个阈值，使这个较低中，灰度大于这个阈值的，设置成255，灰度小于这个阈值的，设置为0。
阈值自适应二值化：
非自适应的二值化呢，有一个问题，就是一个阈值往往只对应一类图像，如果图像的光照变暗了，那个单阈值情况的二值化效果会大大的折扣。
自适应二值化其实就是一种根据图片的灰度直方图，得到一个适合本图像的二值化阈值。
代码如下：
import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt
def global_threshold_demo(image):
'''二值化'''
#1.灰度化
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
#2.计算直方图
hist=cv.calcHist([gray],[0],None,[256],[0,256])
plt.plot(hist)
plt.xlim([0, 256])
plt.show()
#二值化，ret代表阈值，binary是二值图像
#cv.THRESH_OTSU,cv.THRESH_TRIANGLE 计算阈值的方法，加上竖线，自动寻找阈值
# ret,binary=cv.threshold(gray,0,255,cv.THRESH_BINARY | cv.THRESH_OTSU)#ret:阈值,binary:二值图像
# ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_TRIANGLE) # ret:阈值,binary:二值图像
# ret, binary = cv.threshold(gray, 100, 255, cv.THRESH_BINARY) # 手工指定阈值：100，去掉自动寻找阈值
# ret, binary = cv.threshold(gray, 100, 255, cv.THRESH_BINARY_INV) #100，取反
# ret, binary = cv.threshold(gray, 100, 255, cv.THRESH_TRUNC) #100,取截断，>100的全部变成100
ret, binary = cv.threshold(gray, 100, 255, cv.THRESH_TOZERO) #100,<100的全部变成0
print('ret:',ret)
# cv.imshow('gray',gray)
cv.imshow('binary', binary)
def local_threshold_demo(image):
'''局部自适应二值化'''
gray=cv.cvtColor(image,cv.COLOR_BGR2GRAY)
#pram:[gray,max_value,local_binary_method,binary_method,blocksize：奇数必须，value-mean>10?white:black]
# dst=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,25,10)#means_c方法，采用对区域内的像素进行均值加权计算
dst=cv.adaptiveThreshold(gray,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,25,10)#GAUSSIAN_C方法，采用高斯，区域中的（x,y）周围的像素根据高斯函数按照它们离中心点的距离进行加权计算
cv.imshow('local_binary',dst)
src=cv.imread('D:/opencv/meinv.jpg')
cv.imshow('src',src)
# global_threshold_demo(src)#全局二值化
local_threshold_demo(src)#局部二值化
cv.waitKey(0)
cv.destroyAllWindows()
