人工智能导论课的第一次作业。
效果展示
一、简介
我们要做的，其实就是将一张（彩色）图片，转成黑白图片（二值图）。
二值图：只有黑色或白色，
000或fff，0或255。
看看效果图就基本了解了，左原图，右图经过算法处理：
（原图为网络收集图 侵权删）
在彩色图和黑白图片之中，还有一个灰度图。
这个灰度图是我们这次的主角。
二、概念
1. 像素与色彩
每张图片是由多个像素点构成的，比如长 200， 宽 200 ，那么它就有 40000 个像素点。
每个像素点都有自己的颜色，每个颜色又都有不同的值，那么要怎么将缤纷五彩变为“非黑即白”？
以 RGB 来表示每种颜色，即三原色（红绿蓝）各自的比例，比如白色的 RGB 是 (255,255,255)，如果用十六进制来表达就是 #ffffff（可简写为 #fff ），黑色的 RGB 是 (0,0,0) ，#000。
RGBA，在原来的基础上，加上了alpha，用来设置透明度的。一般一个像素点含有四个数值。所有数值范围：
0~255，共256个。
更改图片颜色，就是分别更改它们每个像素点的 R、 G、 B 的具体数字！
推荐一篇文章：彩色图像怎样转灰度图像 ，它的第四部分“二值图像”，其实就是这个题目的含义。
2. Otsu
一个算法名称。
它是计算一个阈值（临界值）的算法。
3. 灰度 grayscale
用不同饱和度的黑色来显示图像。最高的灰度就是黑，最低的灰度就是白。
每个像素点的灰度值要怎么计算？
通常是采用平均数法，也就是 Gray = (R+G+B)/3 。
再用计算出来的 Gray 替换掉对应像素点的 R 、G、 B 三个数，就会得到灰度图了。
4. 阈值 threshold
临界值。
我们现在已经有了每个像素点的灰度值，但二值图，黑白是两个极端。
所以我们需要一个临界值来分隔它们，灰度值大于这个临界值的，RGB 三个值均设为 255 （或 0），小于这个临界值的，RGB 三个值均设为 0 （或255）。
这个临界值，也就是题目中的阈值，该设置为什么，就是 Otsu 算法要解决的问题。
5. 关键词总结
RGB ：色彩标准，红绿蓝
Otsu ：算法名称，计算阈值的算法。
grayscale：灰度值。
histogram ：直方图，用于统计图像中灰度数据，便于计算灰度的频率分布、平均值等。
prob ：频率分布，每部分的 histogram / 总数
threshold ：门槛，界，也就是标题中的“阈值”
三、题目
图像有 L 阶灰度， ni 是灰度为 i 的像素数，图像总像素数有 N = n1 + n2 + ··· + nL
灰度为 i 的像素概率：pi = ni / N
类间方差：ICV = PA * (MA - M) * (MA - M) + PB * (MB - M) * (MB - M)
强烈推荐阅读此篇文章：灰度图像的自动阈值分割（Otsu 法），一篇就能理解题目含义。
四、步骤解析
部分将结合已实现效果的代码进行解释。
且基本上一个小节的返回值就是下一小节的参数。
1. 获得图像数据
即每个像素点的数据值。
因为我是采用 JavaScript 的 Canvas 来实现的，所以为 ImageData 对象，它的 data 属性为一个数组，数组的数据就是此图像的所有像素点的值，且每 4 个值为一个像素点（RGBA）。
let imageData = getImageData(oRawImg)
// 获得图像数据
function getImageData(raw) {
...
return ctx.getImageData(0, 0, width, height)
}
2. 获得灰度值 grayscale
通过对 图像数据 每四个值的一次处理，最终获得原 图像数据 的 1/4 长度数组。
let grayscale = getGrayscale(imageData)
// 获得灰度值
function getGrayscale(imageData) {
let grayscale = [], data = imageData.data
for (let i = 0; i < data.length; i += 4) {
...
gray = Math.round((r + g + b) / 3)
grayscale.push(gray)
}
return grayscale
}
3. 获得灰度直方图 histogram
一张长宽都只有 200 的图像，就有 40000 个像素点，灰度值数组长度就为 40000 。
而灰度值只有 256 种，所以我们来统计每个灰度值有多少个像素点，便于后续计算（逐渐走向数学知识）。
let histogram = getHistogram(grayscale)
// 获取直方图
function getHistogram(grayscale) {
...
for (let i = 0; i < grayscale.length; i++) {
histogram[grayscale[i]]++
}
return histogram
}
4. 获得概率密度 Probability Density
概率密度，就是对应位置的灰度个数除以所有的灰度个数。
即为此灰度值的概率为多少。
let prob = getProb(histogram, grayscale.length)
// 获得概率密度
function getProb(histogram, n) {
...
prob[i] = histogram[i] / n
}
return prob
}
5. 获得阈值
通过 Otsu 算法来获得。套个外套，易理解。
let threshold = getThreshold(prob)
// 套个外套，易理解
function getThreshold(prob) {
return otsu(prob)
}
6. Otsu 算法
关键在于 ICV = PA * (MA - M) * (MA - M) + PB * (MB - M) * (MB - M) 这个公式，以下逐个解释其意义。
累积分布
cum， 为Cumulative Distribution Function 的代替，通过不断累加概率密度得到，是为了获得 PA 和 PB。
PA + PB = 1，这两个数值的意义是，阈值左右两边的比例，A 部分， B 部分。
A 部分里的像素数占总像素数的比例记作 PA，B 部分里的像素数占总像素数的比例记作 PB。
cum = new Array(256)
cum[0] = prob[0]
cum[i] = cum[i - 1] + prob[i]
PA = cum[i]
PB = 1 - PA
灰度总平均值
M ，为 mean 的缩写，平均值，可在获得 累积分布 的同时计算灰度总平均值，mean 数组的最后一个值就是总灰度平均值。
M = (a + b + c) / 3 = a / 3 + b / 3 + c / 3
类间方差
ICV ，为 inter-class variance 的缩写，类间方差。
MA 和 MB 为：A 部分的灰度平均值， B 部分的灰度平均值。
A， B 两部分各自的平均值为 MA 和 MB。
MA = mean[i] / PA
MB = (M - mean[i]) / PB
ICV = PA * (MA - M) * (MA - M) + PB * (MB - M) * (MB - M)
最后使 CLV 值最大的那个灰度值，就是阈值。
7. 输出图像
将原始图像数据、灰度值、阈值、和目标位置作为参数。
function putImageData(imageData, grayscale, threshold, ctx) {
...
let gray = grayscale[i / 4] > threshold ? 255: 0
data[i] = data[i + 1] = data[i + 2] = gray
}
ctx.putImageData(imageData, 0, 0)}
五、代码
本是写了非常详细的注释，但因个人失误导致注释丢失。
幸运的是，代码是按照逻辑顺序进行调用、排序的，按照顺序读下去即可；函数名与参数即是其功能。若不太理解单词请翻阅上文内容。