如何基于双峰直方图确定0-255灰度两类分布的最优分割阈值

针对你描述的0~255灰度范围、直方图双峰值、需要实时计算最优分割阈值的需求，以下两种成熟算法完全匹配需求，计算复杂度极低，可实现单组数据毫秒甚至微秒级计算：

参考直方图 #

1. 大津法（Otsu阈值法） #

这是当前双峰灰度数据二值化的首选标准算法，核心逻辑为遍历所有灰度值作为候选阈值，计算该阈值划分出的两类数据的类间方差，类间方差最大时对应的阈值即为全局最优分割阈值。

• 性能表现：仅需要遍历0~255共256个灰度级，基于已统计好的直方图计算的话，全程仅需百次以内的基础运算，完全满足实时计算要求。
• 现成接口：几乎所有主流图像处理库都封装了成熟实现，比如OpenCV中可直接调用cv2.threshold(灰度数据矩阵, 0, 255, cv2.THRESH_OTSU)，直接返回最优阈值和二值化结果。
• 手动实现伪代码：

# 输入：hist为长度256的数组，hist[i]为灰度值等于i的样本数量
total = sum(hist)
sum_total = sum(i * hist[i] for i in range(256))
weight_bg = 0
sum_bg = 0
max_var = 0
best_thresh = 0

for t in range(256):
    weight_bg += hist[t]
    if weight_bg == 0:
        continue
    weight_fg = total - weight_bg
    if weight_fg == 0:
        break
    sum_bg += t * hist[t]
    mean_bg = sum_bg / weight_bg
    mean_fg = (sum_total - sum_bg) / weight_fg
    # 计算类间方差
    inter_var = weight_bg * weight_fg * (mean_bg - mean_fg) ** 2
    if inter_var > max_var:
        max_var = inter_var
        best_thresh = t
# 输出best_thresh即为最优分割阈值

2. 迭代阈值法 #

如果你的运行设备算力极有限，可选择迭代阈值法，通常3~5次迭代即可收敛到符合要求的阈值：

• 计算步骤：
  • 取当前灰度数据的最大灰度值和最小灰度值的平均值作为初始阈值T0
  • 用T0将样本划分为灰度大于T0、灰度小于T0的两类，分别计算两类的平均灰度μ1、μ2
  • 计算新阈值T1 = (μ1 + μ2) / 2
  • 重复上述两步，直到两次阈值的差值小于预设精度（通常设为1即可），最终得到的T即为最优阈值

内容的提问来源于stack exchange，提问作者Demetry Pascal