求适用于绿色通道直方图的阈值算法 需得到约135非固定阈值用于图像分割

适配需求的自动阈值计算方法 #

你当前选用绿色通道做分割的思路是合理的，针对你需要得到接近135的非固定最优阈值，可使用以下两种成熟方案：

• 双峰谷底检测法
  你提供的绿色通道直方图存在明显的前后景双峰分布，两个峰值的中间谷底正好落在130~140区间，完全匹配你的最优阈值范围。实现逻辑是先识别直方图中最高的两个峰值点，取两点之间灰度值对应的直方图计数最小的位置作为阈值，无需固定参数，自适应匹配不同图像的分布。
• 带区间约束的大津法（Otsu）
  原生大津法是全局阈值计算的常用方案，如果你的场景下阈值波动范围可控，可限制大津法的阈值搜索区间为100~160，仅在该区间内计算类间方差最大值，最终输出的阈值会稳定落在135附近，既保留自适应能力，又避免出现阈值偏离最优范围的问题。

可选替代思路 #

如果后续遇到绿色通道区分度下降的场景，可切换到HSV颜色空间做分割：提取H（色相）通道，匹配你需要分割的目标颜色对应的色相范围生成掩膜，该方案抗光照变化的能力远优于RGB单通道阈值分割，适用场景更广。

代码示例（Python+OpenCV） #

import cv2
import numpy as np

# 读取图像
img = cv2.imread("your_image_path.png")
# 提取绿色通道
green_channel = img[:,:,1]

# 方法：带约束的大津法
low_bound = 100
high_bound = 160
# 统计区间内的直方图
hist = cv2.calcHist([green_channel], [0], None, [high_bound - low_bound], [low_bound, high_bound])
total_pixel = green_channel.size
current_max = 0
threshold = 135
for t in range(1, high_bound - low_bound):
    w0 = np.sum(hist[:t]) / total_pixel
    w1 = np.sum(hist[t:]) / total_pixel
    u0 = np.sum(np.arange(t) * hist[:t]) / (np.sum(hist[:t]) + 1e-6)
    u1 = np.sum(np.arange(t, high_bound - low_bound) * hist[t:]) / (np.sum(hist[t:]) + 1e-6)
    var = w0 * w1 * (u0 - u1) ** 2
    if var > current_max:
        current_max = var
        threshold = low_bound + t
print(f"计算得到的阈值：{threshold}")

# 生成分割掩膜
mask = cv2.threshold(green_channel, threshold, 255, cv2.THRESH_BINARY)[1]

参考图像 #

内容的提问来源于stack exchange，提问作者cedrik24