opencv阈值处理

好的！我来为您详细讲解 OpenCV 中的阈值处理（Thresholding）技术，这是图像分割的基础操作之一，通过设定阈值将像素分为前景和背景两类。

一、核心概念

1. 阈值处理目的：

   • 将灰度图像转换为二值图像（黑白图像）
   • 分割感兴趣区域（ROI）与背景
   • 减少后续处理的计算量

2. 基本公式：

   1 2 3 4

   二值图像像素值 = { 255（前景）, 当原像素值 > 阈值时 0（背景）, 其他情况 }

二、常见阈值方法

三、全局阈值示例

1
2
3
4
5
6
7
8
9
10
11
12

import cv2  
img=cv2.imread("yz.png")  
cv2.imshow("qian",img)  
#阈值处理  
  
ret, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY)  
cv2.imshow("hou", binary)  
  
cv2.waitKey(0)

# ret: 实际使用的阈值（当使用Otsu方法时会返回优化值）
# binary: 二值化后的图像

原图 与 阈值处理后 对比图
原来” 小土拨鼠，真的好吗？” 是字体是黑色（0），所以在黑色的背景下都看不到，通过 ret, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY) 将他们都变成白色（255）的，就可以看到了。

四、自适应阈值详解

1
2
3
4
5
6
7
8
9

# 使用11x11邻域，常数C=2
adaptive_thresh = cv2.adaptiveThreshold(
    gray,
    255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY,
    11,
    2
)

• 优点：处理光照不均的图像效果好
• 参数：
  • 块大小（必须为奇数）
  • 常数 C（从邻域均值中减去的值）

五、Otsu 方法（自动阈值）

1
2

# 在全局阈值基础上添加Otsu标志
ret, otsu_thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

• 原理：自动寻找使类间方差最大的阈值
• 适用：前景 / 背景面积差异较大的图像

六、关键参数选择技巧

1. 阈值选择：

   • 简单场景：手动尝试（0-255 之间）
   • 复杂场景：使用 Otsu 自动计算
   • 文档处理：自适应阈值（块大小约 15-25）

2. 预处理：

   • 先进行高斯模糊（cv2.GaussianBlur）可提升阈值效果
   • 对低质量图像使用直方图均衡化（cv2.equalizeHist）

七、典型应用场景

1. 文档扫描：

   • 自适应阈值处理文字区域
   • 形态学操作去除噪声

2. 车牌识别：

   • 边缘检测后使用阈值分割字符
   • 结合颜色空间转换（如 HSV）提取特定颜色区域

3. 工业检测：

   • 阈值分割缺陷区域
   • 测量物体尺寸和位置

4. 医学影像：

   • 分割细胞或组织区域
   • 增强特定解剖结构

八、可视化理解

想象将图像看作地形高度图：

• 阈值就像海平面高度
• 前景像素是露出水面的陆地
• 背景像素是被淹没的海底

通过调整阈值高度，可以控制分割出的前景区域大小。实际应用中建议先用直方图分析工具查看图像灰度分布，再选择适当的阈值方法。