在計算機視覺和圖像處理中，大津法被用於自動獲取圖像的閾值，或者將灰度圖像轉換爲二值化圖像。該算法假設圖像包含兩個類別的像素（前景像素和背景像素），而後它計算一個最優的閾值用於分離前景和背景，使得前景和背景的類間方差最小。
下面定義類間方差的計算公式：
假設咱們使用閾值T將灰度圖像分割爲前景和背景
u0：前景像素點的平均值
w1：背景像素點佔整幅圖像大小的比例
u0：背景像素點的平均值
g：類間方差
u = w0 * u0 + w1 * u1 (1)
g = w0*(u - u0)^2 + w1*(u - u1)^2 (2)
將(1)代入(2)得：
g = w0 * w1 * (u0 - u1)^2
採用遍歷的方法，遍歷全部閾值，當g最大時，該閾值就是咱們所求的認爲最合適的閾值了。
偷偷告訴你，opencv有自帶的使用大津法閾值化的方法，以下：
cv2.threshold(img, th1, max_val, cv2.THRESH_OTSU)
使用參數cv2.THRESH_OTSU後，前面的th1就無效了。
如下是我本身寫的Python版函數：
import numpy as np
def OTSU_enhance(img_gray, th_begin=0, th_end=256, th_step=1):
assert img_gray.ndim == 2, "must input a gary_img"
max_g = 0
suitable_th = 0
for threshold in xrange(th_begin, th_end, th_step):
bin_img = img_gray > threshold
bin_img_inv = img_gray <= threshold
fore_pix = np.sum(bin_img)
back_pix = np.sum(bin_img_inv)
if 0 == fore_pix:
break
if 0 == back_pix:
continue
w0 = float(fore_pix) / img_gray.size
u0 = float(np.sum(img_gray * bin_img)) / fore_pix
w1 = float(back_pix) / img_gray.size
u1 = float(np.sum(img_gray * bin_img_inv)) / back_pix
# intra-class variance
g = w0 * w1 * (u0 - u1) * (u0 - u1)
if g > max_g:
max_g = g
suitable_th = threshold
return suitable_th