OpenCV图像阈值化完全指南

---

OpenCV图像阈值化完全指南

mindmap
    root((阈值化))
        方法类型
            全局阈值
            自适应阈值
            Otsu算法
            三角法
        应用场景
            文档二值化
            前景提取
            边缘增强
        高级技巧
            多阈值处理
            局部优化
            结合形态学

一、阈值化核心原理

1.1 阈值化类型对比

classDiagram
    class Thresholding {
        <<interface>>
        +apply()
    }
    
    class Global {
        +thresh: int
        +apply()
    }
    
    class Adaptive {
        +blockSize: int
        +C: int
        +apply()
    }
    
    class Otsu {
        +auto_thresh()
        +apply()
    }
    
    Thresholding <|-- Global
    Thresholding <|-- Adaptive
    Thresholding <|-- Otsu

方法特性对比表

方法	适用场景	优势	劣势
全局阈值	光照均匀图像	计算简单	对光照敏感
自适应阈值	光照不均图像	局部适应性	计算复杂度高
Otsu算法	双峰直方图图像	自动确定阈值	需双峰分布
三角法	单峰直方图图像	适合低对比度图像	对噪声敏感

二、全局阈值化

2.1 基础阈值化

flowchart TD
    A[输入图像] --> B{像素值 > thresh?}
    B -->|是| C[设为maxval]
    B -->|否| D[设为0]
    C --> E[输出图像]
    D --> E

Python实现

import cv2
import numpy as np

# 读取灰度图像
img = cv2.imread('document.jpg', cv2.IMREAD_GRAYSCALE)

# 基础阈值化
_, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 反阈值化
_, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)

# 截断阈值化
_, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)

# 零阈值化
_, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)

C++实现

#include <opencv2/opencv.hpp>
using namespace cv;

Mat img = imread("document.jpg", IMREAD_GRAYSCALE);
Mat thresh;

// 基础阈值化
threshold(img, thresh, 127, 255, THRESH_BINARY);

2.2 效果可视化

bar
    title 不同全局阈值方法对比
    "THRESH_BINARY" : 35
    "THRESH_BINARY_INV" : 25
    "THRESH_TRUNC" : 20
    "THRESH_TOZERO" : 15

三、自适应阈值化

3.1 算法原理

flowchart LR
    A[图像分块] --> B[计算局部阈值]
    B --> C[应用阈值]
    C --> D[合并结果]
    
    subgraph 阈值计算
        B --> E[均值/高斯]
    end

Python实现

# 自适应均值阈值
th_adapt_mean = cv2.adaptiveThreshold(
    img, 255, 
    cv2.ADAPTIVE_THRESH_MEAN_C,
    cv2.THRESH_BINARY, 11, 2)

# 自适应高斯阈值
th_adapt_gauss = cv2.adaptiveThreshold(
    img, 255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
    cv2.THRESH_BINARY, 17, 5)

3.2 参数影响分析

gantt
    title 自适应阈值参数影响
    dateFormat  X
    axisFormat %s
    section blockSize
    较小值 : 0, 3 : 细节保留好
    适中值 : 3, 7 : 平衡效果
    较大值 : 7, 10 : 抗噪能力强
    section C
    较小值 : 0, 4 : 敏感度高
    较大值 : 4, 8 : 抗噪性好

四、Otsu算法

4.1 原理图解

flowchart TD
    A[计算直方图] --> B[遍历可能阈值]
    B --> C[计算类间方差]
    C --> D[选择最大方差阈值]

Python实现

# Otsu自动阈值
_, th_otsu = cv2.threshold(
    img, 0, 255, 
    cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 手动实现Otsu
def otsu_threshold(img):
    hist = cv2.calcHist([img],[0],None,[256],[0,256])
    total = img.size
    current_max, threshold = 0, 0
    for t in range(256):
        w0 = np.sum(hist[:t]) / total
        w1 = np.sum(hist[t:]) / total
        mu0 = np.sum(np.arange(t) * hist[:t].flatten()) / (w0 * total)
        mu1 = np.sum(np.arange(t,256) * hist[t:].flatten()) / (w1 * total)
        var = w0 * w1 * (mu0 - mu1)**2
        if var > current_max:
            current_max = var
            threshold = t
    return threshold

4.2 双峰直方图分析

pie
    title Otsu算法适用条件
    "明显双峰分布" : 75
    "单峰分布" : 15
    "平缓分布" : 10

五、高级应用技巧

5.1 多级阈值化

flowchart LR
    A[输入图像] --> B[全局阈值]
    A --> C[自适应阈值]
    B --> D[融合处理]
    C --> D

文档增强案例

# 全局Otsu阈值
_, global_th = cv2.threshold(img, 0, 255, 
                            cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 局部自适应阈值
local_th = cv2.adaptiveThreshold(img, 255, 
                                cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                cv2.THRESH_BINARY, 25, 7)

# 融合结果
final = cv2.bitwise_and(global_th, local_th)

5.2 结合形态学处理

stateDiagram-v2
    [*] --> 阈值化
    阈值化 --> 开运算: 去除噪声
    阈值化 --> 闭运算: 填充空洞
    开运算 --> 结果优化
    闭运算 --> 结果优化

车牌二值化实战

# 初始阈值化
_, th = cv2.threshold(img, 0, 255, 
                     cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 形态学处理
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
opened = cv2.morphologyEx(th, cv2.MORPH_OPEN, kernel, iterations=1)

# 边缘增强
edges = cv2.Canny(opened, 50, 150)

六、性能优化

6.1 积分图加速

flowchart TD
    A[计算积分图] --> B[快速区域求和]
    B --> C[计算局部均值]
    C --> D[应用阈值]

C++优化实现

// 使用积分图加速自适应阈值
Mat integral_img;
integral(img, integral_img);

for(int i=0; i<img.rows; ++i) {
    for(int j=0; j<img.cols; ++j) {
        int x1 = max(j-blockSize/2, 0);
        int y1 = max(i-blockSize/2, 0);
        int x2 = min(j+blockSize/2, img.cols-1);
        int y2 = min(i+blockSize/2, img.rows-1);
        
        int sum = integral_img.at<int>(y2,x2) 
                - integral_img.at<int>(y1,x2)
                - integral_img.at<int>(y2,x1) 
                + integral_img.at<int>(y1,x1);
        int area = (x2-x1)*(y2-y1);
        if(img.at<uchar>(i,j) < (sum/area - C))
            thresh.at<uchar>(i,j) = 255;
        else
            thresh.at<uchar>(i,j) = 0;
    }
}

6.2 并行处理

pie
    title 阈值化耗时分布
    "像素比较" : 60
    "阈值计算" : 25
    "内存访问" : 15

七、实战案例

7.1 古代文献修复

flowchart LR
    A[扫描图像] --> B[自适应阈值]
    B --> C[形态学去噪]
    C --> D[连通域分析]
    D --> E[文字增强]

实现代码

# 预处理
blur = cv2.GaussianBlur(img, (5,5), 0)
th = cv2.adaptiveThreshold(blur, 255,
                         cv2.ADAPTIVE_THRESH_MEAN_C,
                         cv2.THRESH_BINARY_INV, 35, 15)

# 去除小噪点
kernel = np.ones((2,2), np.uint8)
cleaned = cv2.morphologyEx(th, cv2.MORPH_OPEN, kernel)

# 文字增强
enhanced = cv2.bitwise_not(cleaned)

7.2 工业零件检测

gantt
    title 检测流程
    dateFormat  X
    axisFormat %s
    section 图像处理
    光照归一化 : 0, 3
    多级阈值 : 3, 6
    轮廓分析 : 6, 9
    缺陷标记 : 9, 12

缺陷检测实现

# 多阈值处理
_, th_low = cv2.threshold(img, 50, 255, cv2.THRESH_BINARY)
_, th_high = cv2.threshold(img, 200, 255, cv2.THRESH_BINARY_INV)
defect_mask = cv2.bitwise_and(th_low, th_high)

# 缺陷分析
contours, _ = cv2.findContours(defect_mask, 
                              cv2.RETR_LIST, 
                              cv2.CHAIN_APPROX_SIMPLE)
result = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
cv2.drawContours(result, contours, -1, (0,0,255), 2)

八、调试与优化

8.1 常见问题排查

现象	原因	解决方案
文本断裂	阈值过高	降低阈值或使用自适应
背景噪声过多	阈值过低	提高阈值或预处理降噪
边缘模糊	未考虑局部光照	改用自适应阈值
计算速度慢	大尺寸图像	分块处理或降采样

8.2 可视化调试工具

def show_threshold_process(img):
    plt.figure(figsize=(12,8))
    
    # 显示原图
    plt.subplot(231)
    plt.imshow(img, cmap='gray')
    plt.title('Original')
    
    # 显示直方图
    plt.subplot(232)
    plt.hist(img.ravel(), 256, [0,256])
    plt.title('Histogram')
    
    # 全局阈值
    plt.subplot(233)
    _, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
    plt.imshow(th1, cmap='gray')
    plt.title('Global Thresh')
    
    # Otsu阈值
    plt.subplot(234)
    _, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
    plt.imshow(th2, cmap='gray')
    plt.title('Otsu Thresh')
    
    # 自适应阈值
    plt.subplot(235)
    th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
                               cv2.THRESH_BINARY,11,2)
    plt.imshow(th3, cmap='gray')
    plt.title('Adaptive Thresh')
    
    plt.tight_layout()
    plt.show()

show_threshold_process(img)

---

总结：本文系统讲解了OpenCV阈值化技术的核心要点：

1. 光照均匀场景优先使用全局阈值，配合Otsu算法自动确定阈值
2. 光照不均时采用自适应阈值，注意blockSize和C参数调节
3. 结合形态学操作可优化二值化结果
4. 多级阈值策略可应对复杂场景需求

下期预告：《直方图操作》将深入讲解均衡化、匹配和反向投影技术。