OpenCV阈值处理完全指南：从基础到高级应用

引言

阈值处理是图像处理中最基础、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中的各种阈值处理方法，包括原理讲解、代码实现和实际应用场景。

一、什么是阈值处理？

阈值处理（Thresholding）是通过设定一个或多个阈值，将图像的像素值分为若干类的过程。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

OpenCV提供了cv2.threshold()函数用于基本的阈值处理，其函数原型为：

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

参数说明：

src：输入图像（必须为灰度图）
thresh：阈值
maxval：当像素值超过阈值时赋予的最大值
type：阈值类型
retval：实际使用的阈值（某些方法会自动计算）
dst：输出图像

三、5种基本阈值处理方法

1. 二进制阈值化（THRESH_BINARY）

import cv2
import numpy as npimg = cv2.imread('image.jpg', 0)  # 以灰度模式读取
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

效果：像素值>127设为255，否则设为0

2. 反二进制阈值化（THRESH_BINARY_INV）

ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)

效果：与THRESH_BINARY相反

3. 截断阈值化（THRESH_TRUNC）

ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)

效果：像素值>127设为127，否则保持不变

4. 阈值化为0（THRESH_TOZERO）

ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)

效果：像素值>127保持不变，否则设为0

5. 反阈值化为0（THRESH_TOZERO_INV）

ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

效果：与THRESH_TOZERO相反

四、自适应阈值处理

当图像光照不均时，全局阈值效果不佳，此时可以使用自适应阈值：

thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY, 11, 2)

参数说明：

adaptiveMethod：自适应方法
- ADAPTIVE_THRESH_MEAN_C：邻域均值
- ADAPTIVE_THRESH_GAUSSIAN_C：邻域加权和（高斯）
blockSize：邻域大小（奇数）
C：从均值或加权和中减去的常数

五、Otsu’s二值化（大津算法）

对于双峰图像（直方图有两个明显峰值），Otsu方法可以自动确定最佳阈值：

ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

六、实际应用案例

1. 文档扫描与OCR预处理

def preprocess_for_ocr(image_path):img = cv2.imread(image_path, 0)# 使用Otsu方法自动阈值化_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 去噪kernel = np.ones((3,3), np.uint8)processed = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)return processed

2. 工业检测中的缺陷识别

def detect_defects(reference_img, test_img):# 转换为灰度图ref_gray = cv2.cvtColor(reference_img, cv2.COLOR_BGR2GRAY)test_gray = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)# 计算差异diff = cv2.absdiff(ref_gray, test_gray)# 自适应阈值处理thresh = cv2.adaptiveThreshold(diff, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)# 寻找轮廓contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制缺陷区域result = test_img.copy()for cnt in contours:if cv2.contourArea(cnt) > 10:  # 忽略小面积x,y,w,h = cv2.boundingRect(cnt)cv2.rectangle(result, (x,y), (x+w,y+h), (0,0,255), 2)return result

七、阈值处理的高级技巧

1. 多阈值处理

def multi_threshold(image):gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 定义三个阈值_, th1 = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY)_, th2 = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY)_, th3 = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 组合结果result = np.zeros_like(gray)result[(gray >= 0) & (gray < 50)] = 0result[(gray >= 50) & (gray < 100)] = 100result[(gray >= 100) & (gray < 150)] = 200result[gray >= 150] = 255return result

2. 基于HSV空间的阈值处理

def hsv_threshold(image):hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 定义颜色范围（示例：红色）lower_red = np.array([0, 120, 70])upper_red = np.array([10, 255, 255])mask1 = cv2.inRange(hsv, lower_red, upper_red)lower_red = np.array([170, 120, 70])upper_red = np.array([180, 255, 255])mask2 = cv2.inRange(hsv, lower_red, upper_red)# 合并maskmask = mask1 + mask2# 应用maskresult = cv2.bitwise_and(image, image, mask=mask)return result