🎬 HoRain 云小助手：个人主页
⛺️生活的理想，就是为了理想的生活!
⛳️ 推荐
前些天发现了一个超棒的服务器购买网站，性价比超高，大内存超划算！忍不住分享一下给大家。点击跳转到网站。
目录
⛳️ 推荐
OpenCV图像阈值处理详解
一、阈值处理基本原理
二、OpenCV中的阈值处理函数
1. 全局阈值处理 - cv2.threshold()
2. 自适应阈值处理 - cv2.adaptiveThreshold()
三、5种基本阈值处理类型
1. 二值化阈值处理 (THRESH_BINARY)
2. 反二值化阈值处理 (THRESH_BINARY_INV)
3. 截断阈值处理 (THRESH_TRUNC)
4. 阈值化为0 (THRESH_TOZERO)
5. 反阈值化为0 (THRESH_TOZERO_INV)
6. Otsu自动阈值法 (THRESH_OTSU)
四、完整代码示例
五、应用场景
1. 图像分割
2. 文档处理
3. 医学影像分析
4. 工业检测
5. 特征提取
六、选择阈值处理方法的建议
七、注意事项
八、常见问题解决
1. 为什么阈值处理后的图像不正确？
2. 如何选择最佳阈值？
3. 如何优化自适应阈值参数？
总结
OpenCV图像阈值处理详解
图像阈值处理是计算机视觉中最基础、最常用的技术之一，它能够将灰度图像转换为二值图像，为后续的图像分析和处理奠定基础。本文将全面介绍OpenCV中的图像阈值处理技术。
一、阈值处理基本原理
阈值处理是通过设定一个或多个阈值，将图像的像素值分为不同类别的过程。对于灰度图像，通常是选择一个阈值，将像素分为"黑"和"白"两类，从而创建二值图像。
数学表达式：
dst(x,y) = maxVal if src(x,y) > thresh = 0 otherwise二、OpenCV中的阈值处理函数
1. 全局阈值处理 - cv2.threshold()
函数原型：
retval, dst = cv2.threshold(src, thresh, maxval, type)参数说明：
src：输入图像（必须为灰度图）thresh：阈值（0-255）maxval：当像素值超过阈值时赋予的最大值type：阈值处理类型retval：实际使用的阈值（某些方法会自动计算）dst：输出图像
2. 自适应阈值处理 - cv2.adaptiveThreshold()
函数原型：
dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)参数说明：
src：输入灰度图像maxValue：满足条件的像素赋予的最大值adaptiveMethod：自适应算法类型cv.ADAPTIVE_THRESH_MEAN_C：邻域内像素均值作为阈值cv.ADAPTIVE_THRESH_GAUSSIAN_C：邻域内像素的加权均值（高斯核权重）
thresholdType：阈值处理类型（仅支持二值化/反二值化）blockSize：邻域窗口大小（必须为正奇数，如3,5,11）C：从计算阈值中减去的常数（用于微调阈值，可为负数）
三、5种基本阈值处理类型
1. 二值化阈值处理 (THRESH_BINARY)
- 规则：像素值 > thresh 时设为 maxval，否则设为 0
- 代码：
ret, thresh_binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
2. 反二值化阈值处理 (THRESH_BINARY_INV)
- 规则：像素值 > thresh 时设为 0，否则设为 maxval
- 代码：
ret, thresh_binary_inv = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
3. 截断阈值处理 (THRESH_TRUNC)
- 规则：像素值 > thresh 时设为 thresh，否则保持不变
- 代码：
ret, thresh_trunc = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
4. 阈值化为0 (THRESH_TOZERO)
- 规则：像素值 > thresh 时保持不变，否则设为 0
- 代码：
ret, thresh_tozero = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
5. 反阈值化为0 (THRESH_TOZERO_INV)
- 规则：像素值 > thresh 时设为 0，否则保持不变
- 代码：
ret, thresh_tozero_inv = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
6. Otsu自动阈值法 (THRESH_OTSU)
- 原理：通过最大化类间方差自动确定最佳阈值
- 代码：
ret, otsu_thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
四、完整代码示例
import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图像并转为灰度图 img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE) if img is None: print("错误：无法加载图像") exit() # 应用不同阈值类型 thresh_value = 127 max_value = 255 # 二值化 _, thresh_binary = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_BINARY) # 反二值化 _, thresh_binary_inv = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_BINARY_INV) # 截断阈值 _, thresh_trunc = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_TRUNC) # 阈值化为0 _, thresh_tozero = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_TOZERO) # 反阈值化为0 _, thresh_tozero_inv = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_TOZERO_INV) # 自适应阈值处理（高斯加权） adaptive_thresh = cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 9 ) # Otsu自动阈值 _, otsu_thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 显示结果 titles = ['原始图像', 'THRESH_BINARY', 'THRESH_BINARY_INV', 'THRESH_TRUNC', 'THRESH_TOZERO', 'THRESH_TOZERO_INV', '自适应阈值', 'Otsu阈值'] images = [img, thresh_binary, thresh_binary_inv, thresh_trunc, thresh_tozero, thresh_tozero_inv, adaptive_thresh, otsu_thresh] plt.figure(figsize=(15, 10)) for i in range(8): plt.subplot(2, 4, i+1) plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]) plt.yticks([]) plt.tight_layout() plt.show()五、应用场景
1. 图像分割
- 从图像中提取特定目标（如车牌识别中的车牌区域）
- 将前景和背景分离，为后续处理提供基础
2. 文档处理
- 文档扫描中的黑白文字提取
- 手写笔记识别前的预处理
3. 医学影像分析
- 识别病变区域（如肿瘤、骨折）
- 提取特定组织结构
4. 工业检测
- 产品缺陷检测（如裂纹、污点）
- 零件尺寸测量
5. 特征提取
- 为边缘检测、轮廓提取做准备
- 简化图像结构，突出目标轮廓
六、选择阈值处理方法的建议
| 场景 | 推荐方法 | 说明 |
|---|---|---|
| 光照均匀的图像 | 全局阈值（THRESH_BINARY） | 简单高效，计算量小 |
| 光照不均匀的图像 | 自适应阈值（ADAPTIVE_THRESH_GAUSSIAN_C） | 能适应局部光照变化 |
| 未知阈值的最佳选择 | Otsu自动阈值法 | 自动计算最优阈值，无需人工设置 |
| 需要保留部分灰度信息 | THRESH_TRUNC或THRESH_TOZERO | 保留部分灰度信息，适合特定场景 |
七、注意事项
- 输入要求：阈值处理通常要求输入为灰度图像（单通道，uint8类型）
- 阈值选择：全局阈值需要根据图像特性选择合适值，Otsu方法可以自动计算
- 自适应阈值参数：
blockSize：通常选择11×11或15×15（奇数）C：通常选择2-5，用于微调阈值
- 性能考虑：自适应阈值计算量较大，对实时性要求高的应用需谨慎使用
八、常见问题解决
1. 为什么阈值处理后的图像不正确？
- 检查输入是否为灰度图像（应为单通道）
- 确认阈值范围是否在0-255之间
- 检查图像是否损坏或路径错误
2. 如何选择最佳阈值？
- 对于光照均匀的图像：尝试不同阈值，观察效果
- 对于光照不均匀的图像：使用自适应阈值或Otsu方法
- 可以使用直方图分析确定最佳阈值
3. 如何优化自适应阈值参数？
blockSize：从11开始尝试，增大到15、21等C：从2开始尝试，根据效果调整
总结
图像阈值处理是计算机视觉中的基础技术，OpenCV提供了多种阈值处理方法，从简单的全局阈值到复杂的自适应阈值，能够满足不同场景的需求。通过合理选择阈值方法和参数，可以有效地将图像转换为二值图像，为后续的图像分析和处理提供高质量的输入。在实际应用中，应根据图像特性和具体需求选择合适的阈值处理方法。
❤️❤️❤️本人水平有限，如有纰漏，欢迎各位大佬评论批评指正！😄😄😄
💘💘💘如果觉得这篇文对你有帮助的话，也请给个点赞、收藏下吧，非常感谢!👍 👍 👍
🔥🔥🔥Stay Hungry Stay Foolish 道阻且长,行则将至,让我们一起加油吧！🌙🌙🌙
 首次公开：编译时织入带来的10倍提速秘诀)