---

文章目录

• • @[toc]
  • 1 基本概念
  • 2 简单阈值处理`cv2.threshold`
  • 3 自适应阈值处理`cv2.adaptiveThreshold`

更多精彩内容
👉内容导航 👈
👉OpenCV开发 👈

---

1 基本概念

图像阈值处理（Thresholding）是图像处理中的一种基本技术，用于将灰度图像转换为二值图像。通过设定一个阈值，将图像中的像素分为两类：高于阈值的像素和低于阈值的像素。

使用场景

• 文档图像二值化
• 图像分割预处理
• OCR 前处理
• 去除图像噪声
• 目标检测预处理

2 简单阈值处理cv2.threshold

cv2.threshold

输入图像：必须为单通道，若为彩色图像需先转换为灰度

函数定义

retval, dst = cv2.threshold(src, thresh, maxval, type)

参数详解

1. src（输入图像）

   • 类型：单通道灰度图像（如 cv2.COLOR_BGR2GRAY 转换后的图像）。
   • 作用：待处理的输入图像，必须为 8-bit 或 32-bit 浮点型。

2. thresh（阈值）

   • 类型：float 或 int。
   • 作用：用于与像素值比较的阈值。若像素值大于 thresh，则根据 type 参数处理。

3. maxval（最大值）

   • 类型：float 或 int。
   • 作用：当像素值满足阈值条件时，赋予的新值（仅对部分 type 有效）。

4. type（阈值类型）

   • 类型：枚举值，决定二值化逻辑。常用选项：

     • cv2.THRESH_BINARY：像素值 > thresh → 设为 maxval，否则设为 0。
     • cv2.THRESH_BINARY_INV：像素值 > thresh → 设为 0，否则设为 maxval。
     • cv2.THRESH_TRUNC：像素值 > thresh → 截断为 thresh，否则保留原值。
     • cv2.THRESH_TOZERO：像素值 > thresh → 保留原值，否则设为 0。
     • cv2.THRESH_TOZERO_INV：像素值 > thresh → 设为 0，否则保留原值。
     • cv2.THRESH_OTSU（需与上述类型组合使用，如 cv2.THRESH_BINARY + cv2.THRESH_OTSU）：自动计算最佳阈值（忽略手动设置的 thresh）。

返回值

• retval：实际使用的阈值。若使用 cv2.THRESH_OTSU，返回自动计算的阈值。
• dst：处理后的二值化图像。

使用场景

1. 图像二值化：最常见的使用场景之一。通过设定一个阈值，将图像转换为仅包含黑白两种颜色的二值图像。这对于后续的图像处理步骤（如边缘检测、轮廓提取等）非常有用。
2. 背景消除：通过阈值处理，可以将图像中的背景部分与前景部分区分开来，便于提取感兴趣的目标。这对于机器视觉任务（如物体识别、跟踪等）至关重要。
3. 图像分割：利用阈值处理可以对图像进行分割，将图像中具有相似像素值的区域分隔出来。这有助于进一步分析图像中的各个部分。
4. 特征提取：在某些情况下，阈值处理可以用于提取图像中的某些特定特征，比如颜色特征、纹理特征等。这对于图像分析和模式识别非常有用。
5. 减少噪声：通过阈值处理，可以将一些小的噪声区域从图像中去除，从而提高图像质量。这通常与形态学操作结合使用，以达到更好的效果。
6. 图像增强：在某些情况下，阈值处理也可以用于增强图像的某些部分，例如通过调整阈值来增加图像的对比度。
7. 自动阈值确定：使用 cv2.THRESH_OTSU 或 cv2.THRESH_TRIANGLE 参数，可以让函数自动确定阈值，适用于那些难以手动设定阈值的情况。
8. 图像预处理：在进行其他复杂的图像处理操作之前，通常会对图像进行预处理，其中阈值处理是一个重要的步骤。它可以简化后续处理的复杂度，并提高处理效果。
9. 图像阈值化跟踪：在视频处理中，阈值处理可以用来跟踪特定的物体或区域。通过动态调整阈值，可以适应不同的光照条件和背景变化。

3 自适应阈值处理cv2.adaptiveThreshold

OpenCV 中用于自适应阈值化的函数，特别适用于光照不均或背景复杂的图像二值化场景：

---

adaptiveThreshold

函数定义

dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

参数详解

1. src（输入图像）

   • 类型：必须为 8-bit 单通道灰度图像（如 cv2.COLOR_BGR2GRAY 转换后的图像）。
   • 作用：待处理的输入图像，不接受浮点型或多通道图像。

2. maxValue（最大值）

   • 类型：int 或 float。
   • 作用：当像素值满足阈值条件时，赋予的新值（通常为 255）。

3. adaptiveMethod（自适应方法）

   • 类型：枚举值，决定如何计算局部阈值。可选：

     • cv2.ADAPTIVE_THRESH_MEAN_C：基于邻域块的均值计算阈值（T = 均值 - C）。

   • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：基于邻域块的高斯加权均值计算阈值（T = 高斯加权均值 - C）。

4. thresholdType（阈值类型）

   • 类型：枚举值，仅支持两种模式：

     • cv2.THRESH_BINARY：像素值 > 阈值 → 设为 maxValue，否则设为 0。

   • cv2.THRESH_BINARY_INV：像素值 > 阈值 → 设为 0，否则设为 maxValue。

5. blockSize（邻域块大小）

   • 类型：奇数（如 3, 5, 7）。
   • 作用：计算局部阈值的邻域窗口尺寸，越大越能平滑噪声，但可能丢失细节。

6. C（常数偏移）

   • 类型：int 或 float。
   • 作用：从计算的阈值中减去的常数，用于微调阈值敏感度（通常取正值降低阈值）。

返回值

• dst：处理后的二值化图像，尺寸与 src 相同。

注意事项

1. 输入限制：必须为 8-bit 单通道灰度图像，否则报错。
2. blockSize 奇偶性：必须为奇数，否则抛出 cv2.error。
3. 参数调优：
   • blockSize：值过小 → 噪声敏感；值过大 → 细节丢失。
   • C 值：正值降低阈值（更易将像素设为 maxValue），负值提高阈值。
4. 性能：比全局阈值 cv2.threshold 计算开销更大。
5. 对比全局阈值：
   • 优点：适应局部亮度变化。
   • 缺点：无法处理全局对比度极低的图像（需结合其他预处理）。

使用示例

import numpy as np
import cv2img = cv2.imread('1.png')
img1 = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 将图片转换为灰度图
img2 = cv2.adaptiveThreshold(img1,250,  # 设定阈值，越大越亮cv2.ADAPTIVE_THRESH_MEAN_C,  # 选择方法，这里选择均值cv2.THRESH_BINARY,  # 选择二值化方法3,  # 邻域大小, 越大越模糊, 奇数，通常为3或51) # C值，越大越亮，通常为1
cv2.imshow('image', img2)
cv2.waitKey(0)

---

示例效果

---

---