http://www.cnblogs.com/xiaomanon/p/4110006.html?utm_source=tuicool&utm_medium=referral
由Otsu(大津展之)於1978年提出的最大類間方差法，是引起較多關注的一種閾值選取方法。它是在判決分析或最小二乘原理的基礎上推導出來的。
參考文獻：
[1] Otsu N. A threshold selection method from gray-level histogram. IEEE Trans,1979;SMC-9;62-66 下載地址
算法思想：
假設一幅圖像有L個灰度級[1,2,…,L]。灰度級為i的像素點的個數為ni，那么總的像素點個數就應該為N=n1+n2+…+nL。為了討論方便，我們使用歸一化的灰度級直方圖並且視為這幅圖像的概率分布:
現在假設我們通過一個灰度級為k的門限將這些像素點划分為兩類:C0和C1(背景和目標,或者反之亦然)；C0表示灰度級為[1,…,k]的像素點，C1表示灰度級為[k+1,…,L]的像素點。那么，每一類出現的概率以及各類的平均灰度級分別由下面的式子給出：
以及
其中，
分別為灰度級從1到k的累積出現概率和平均灰度級（一階累積矩），而
是整幅圖像的平均灰度級。我們可以很容易驗證，對於任意選定的k，都有：
這兩類的類內方差由下面的公式給出：
這需要二階累積矩(second-order cumulative moment，統計學概念)。
為了評價(灰度級k)這個門限“好”的程度，我們需要引入判別式分析中使用的判別式標准來測量（類的分離性測量）：
其中：
又根據式(9)，可以得出：
這三個式子分別是類內方差、類間方差和灰度級的總方差。然后，我們的問題就簡化為一個優化問題，即尋找一個門限k使(12)式中給出的一個目標函數取最大值。
這個觀點是出於這樣一個猜想，一個好的閾值將會把灰度級分為兩類，那么反過來說，就是如果一個門限能夠在灰度級上將圖像分割為最好的兩類的話，那么這個門限就是最好的門限。
上面給出的判別式標准是分別求取λ、κ和η的最大值。然而，對於κ而言，它又等於另外一個，比如κ=λ+1；而對於λ而言，又有η=λ/(λ+1)，因為始終存在下面的基本關系：
效果展示：
算法評價：
就最大類間方差算法而言，優點是算法簡單，當目標與背景的面積相差不大時，能夠有效地對圖像進行分割。但是，當圖像中的目標與背景的面積相差很大時，表現為直方圖沒有明顯的雙峰，或者兩個峰的大小相差很大，分割效果不佳，或者目標與背景的灰度有較大的重疊時也不能准確的將目標與背景分開。導致這種現象出現的原因是該方法忽略了圖像的空間信息，同時該方法將圖像的灰度分布作為分割圖像的依據，因而對噪聲也相當敏感。所以，在實際應用中，總是將其與其他方法結合起來使用。