雖然很早就看過這本綠皮書，但是當時是剛入門的小菜鳥，根本就不知道這就是大名鼎鼎的大津法，當時只是覺得Otsu好奇怪的英文名字。 現在就來重新看看這個所謂的大津法: $n_i$表示灰度級為i的畫素數。影象中的畫素總數MN為$MN=n_0+n_1+...+n_{L-1}$ 歸一化的直方圖具有分量$p_i=n_i/MN$. 我們有公式（1）： 我們選擇一個閾值T(k)=k,0<k<L-1,並使用它把輸入影象閾值化處理為兩類C1和C2，其中C1由影象中灰度值範圍在[0,k]內的所有畫素組成，C2類似C1. 畫素被分到類C1中的概率$p_{}$

1(k)p_1(k)由如下的累計和給出： 同樣 那麼分配到C1的畫素的平均灰度值為： 第一行的$p(i/C_1)$表示i已經被分配到C1的前提下，i佔C1中所有畫素的概率，第二行為簡單的貝葉斯變換，因為i已經被分到了C1中，所以$P(C_1/i)=1$,所以得到第三行的結果，其實第三行的物理意義很容易理解，即0到k的畫素佔總體畫素的平均值除以C1佔總體畫素的概率，等於C1中所有畫素的平均值。 同理有： 而整個影象的平均灰度由下式給出： 如果上面的公式都是正確的我們有： 為了評價級別k處的閾值“質量”我們使用歸一化的無量綱矩陣： 其中$\sigma^2_G$是全域性方差： $\sigma^2_B$我們定義為類間方差，它定義為 其中$\sigma^2_G$是常數，所以我們只需要使得$\sigma^2_B$最大即可，而： 所以我們只需要使$m_1-m_2$最大即可，當有多個值使得$m_1-m_2$都最大時，我們選擇其均值為最佳的分割閾值。

Otsu演算法小結如下： 1.計算輸入影象的歸一化直方圖，使用$p_i$i=0,1,2,…,L-1表示該直方圖的各個分量。 2.對於k=0,1,2,…L-1,計算累積和$P_1(k)$

k). 3.對於k=0,1,2…L-1，計算累積均值m(k). 4.計算全域性灰度均值$m_G$。 5.對於K=0,1,2,…,L-1，計算類間方差$\sigma^2_B$。 6.得到Otsu閾值$k*$,即使得$\sigma^2_B$最大的k值。如果最大值不唯一，用相應檢測到的各個最大值k的平均值得到$k*$。 7.在k=k*處計算可分性度量.