计算机视觉（opencv）实战四——图片阈值处理cv2.threshold(）

OpenCV 阈值处理详解

阈值处理的作用，其实就是用一个简单的“分界线”把图像分成不同区域，让我们更容易分析和处理有用的部分。

1. 核心作用

1. 分离前景和背景

   • 把关心的物体（前景）和背景分开，方便后续分析

   • 例如：黑底白字的文档 → 提取白色文字部分

2. 简化图像数据

   • 把灰度值压缩为有限几种（常见是黑白两种），减少计算量

   • 适合边缘检测、轮廓提取、特征识别等任务

3. 噪声过滤

   • 某些阈值类型（如 TOZERO）可以去掉低亮度背景干扰，保留重要区域

4. 预处理步骤

   • 阈值化后图像结构更清晰，利于形态学操作（腐蚀、膨胀）、模板匹配等

2. 常见应用场景

3. 举个直观例子

比如一张灰度图像，像素值范围是 0~255，我们设阈值 thresh = 175：

• 像素值 > 175 → 设为 255（纯白）

• 像素值 ≤ 175 → 设为 0（纯黑）

这样一来，图像中亮的区域变成白色，暗的区域变成黑色，你想找的目标区域一下就很清楚了。

1. 阈值处理的概念

阈值处理（Thresholding）是图像分割中最基础、最常用的方法之一，它通过设置一个阈值，将像素点分成两类：

• 高于阈值的像素：设为指定值或保留原值

• 低于阈值的像素：设为指定值或保留原值

这种方式能够有效地将图像分成前景和背景，从而便于后续处理。

在 OpenCV 中，使用 cv2.threshold() 来实现阈值处理：

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

参数说明：

• src：要处理的图像，可以是单通道或多通道（通常用单通道灰度图），数据类型为 uint8 或 float32

• thresh：阈值

• maxval：在某些类型（如 THRESH_BINARY）中，当像素值满足条件时赋予的最大值

• type：阈值类型（见下表）

• retval：实际使用的阈值（通常等于 thresh，除非使用自动阈值算法如 THRESH_OTSU）

2. 阈值类型对比表

3. 代码示例

import cv2# 读取灰度图
image = cv2.imread('tiger.jpg', flags=0)  # flags=0 表示灰度模式# 各种阈值处理方式
ret, binary = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY)
ret1, binaryinv = cv2.threshold(image, 175, 255, cv2.THRESH_BINARY_INV)
ret2, trunc = cv2.threshold(image, 175, 255, cv2.THRESH_TRUNC)
ret3, tozero = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO)
ret4, tozeroinv = cv2.threshold(image, 175, 255, cv2.THRESH_TOZERO_INV)# 显示结果
cv2.imshow('Gray', image)         # 原灰度图
cv2.imshow('Binary', binary)      # 偏白变纯白，偏黑变纯黑
cv2.imshow('Binary_INV', binaryinv)  # 偏白变纯黑，偏黑变纯白
cv2.imshow('Trunc', trunc)        # 偏白变灰色，偏黑不变
cv2.imshow('ToZero', tozero)      # 偏白保留，偏黑变纯黑
cv2.imshow('ToZero_INV', tozeroinv) # 偏白变纯黑，偏黑保留cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

（可以尝试改变阈值和最大值，更好地理解用法。）

原图：

4. 不同类型的视觉效果

• THRESH_BINARY
  常用于将前景物体与背景分离，生成黑白二值图。

• THRESH_BINARY_INV
  与 BINARY 相反，适用于反色的分割场景。

• THRESH_TRUNC
  对高亮部分进行截断，保留阴影细节。

• THRESH_TOZERO
  保留高亮细节，消除背景低值区域。

• THRESH_TOZERO_INV
  与 TOZERO 相反，保留低亮细节，去掉高亮部分。

5. 常见应用场景

• 文档扫描：提取文字，去掉背景干扰

• 二维码/条形码识别：增强对比度

• 目标检测预处理：在边缘检测前进行二值化

• 医学影像：分离感兴趣区域（ROI）

• 工业检测：检测瑕疵、裂纹

6. 小结

• 阈值处理是图像分割的基础工具，简单高效

• 选择合适的阈值类型可以保留关键信息或突出目标

• 在复杂光照条件下，可以结合自适应阈值或 Otsu 自动阈值算法