OpenCV阈值处理详解

文章目录

一、引言
二、阈值处理的基本概念
- [2.1 什么是阈值处理？](#2.1 什么是阈值处理？)
- [2.2 为什么需要阈值处理？](#2.2 为什么需要阈值处理？)
三、OpenCV中的阈值处理方法
- [3.1 基本阈值处理](#3.1 基本阈值处理)
- [3.2 阈值类型详解](#3.2 阈值类型详解)
- - [1. 二进制阈值化 (cv2.THRESH_BINARY)](#1. 二进制阈值化 (cv2.THRESH_BINARY))
  - [2. 反二进制阈值化 (cv2.THRESH_BINARY_INV)](#2. 反二进制阈值化 (cv2.THRESH_BINARY_INV))
  - [3. 截断阈值化 (cv2.THRESH_TRUNC)](#3. 截断阈值化 (cv2.THRESH_TRUNC))
  - [4. 阈值化为0 (cv2.THRESH_TOZERO)](#4. 阈值化为0 (cv2.THRESH_TOZERO))
  - [5. 反阈值化为0 (cv2.THRESH_TOZERO_INV)](#5. 反阈值化为0 (cv2.THRESH_TOZERO_INV))
四、总结

一、引言

在数字图像处理中，阈值处理(Thresholding)是最基础且重要的操作之一。OpenCV作为计算机视觉领域的强大工具，提供了多种阈值处理方法，能够帮助我们将灰度图像转换为二值图像，或者进行更高级的图像分割。本文将全面介绍OpenCV中的阈值处理技术。

二、阈值处理的基本概念

2.1 什么是阈值处理？

阈值处理是指将图像的像素值根据某个阈值(Threshold Value)划分为两个或多个类别。对于最简单的二值化处理，公式表示为：

python 复制代码

dst(x,y) = maxVal if src(x,y) > thresh
           0       otherwise

或者反过来：

python 复制代码

dst(x,y) = 0 if src(x,y) > thresh
           maxVal otherwise

2.2 为什么需要阈值处理？

图像简化：将复杂图像简化为黑白二值图
目标提取：从背景中分离出感兴趣区域
预处理步骤：为后续的边缘检测、轮廓提取等操作做准备
降噪：通过阈值过滤掉一些噪声像素

三、OpenCV中的阈值处理方法

OpenCV提供了多种阈值处理方法，主要通过cv2.threshold()函数实现。

3.1 基本阈值处理

python 复制代码

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

参数说明：

ret: 实际使用的阈值(对于自适应阈值方法很重要)
dst: 代表阈值分割结果图像，可以是多通道的，8位或32位浮点型数值
src: 输入图像(必须为灰度图)
thresh: 代表要设定的阈值
maxval: 当像素值超过(或小于)阈值时赋予的新值
type: 阈值类型

3.2 阈值类型详解

1. 二进制阈值化 (cv2.THRESH_BINARY)

python 复制代码

import cv2
image = cv2.imread('zhaoyun.jpg')  #灰度图

'''----------------二进制阈值化--------------------------'''
ret,binary = cv2.threshold(image,175,255,cv2.THRESH_BINARY)

图中我们给的图片是一张赵云的图片，下图所示是原图与二进制阈值化的图片对比：

2. 反二进制阈值化 (cv2.THRESH_BINARY_INV)

python 复制代码

import cv2
image = cv2.imread('zhaoyun1.jpg')  #灰度图

'''------------------------反二进制阈值化--------------------------'''
ret1,binaryinv = cv2.threshold(image,175,255,cv2.THRESH_BINARY_INV)

图中我们给的图片是一张赵云的图片，下图所示是原图与反二进制阈值化的图片对比：

3. 截断阈值化 (cv2.THRESH_TRUNC)

python 复制代码

import cv2
image = cv2.imread('zhaoyun1.jpg')  #灰度图

'''------------------------截断阈值化--------------------------'''
ret2,trunc = cv2.threshold(image,175,255,cv2.THRESH_TRUNC)

图中我们给的图片是一张赵云的图片，下图所示是原图与截断阈值化的图片对比：

4. 阈值化为0 (cv2.THRESH_TOZERO)

python 复制代码

import cv2
image = cv2.imread('zhaoyun1.jpg')  #灰度图

'''------------------------阈值化为0--------------------------'''
ret, tozero = cv2.threshold(gray, 175, 255, cv2.THRESH_TOZERO)

图中我们给的图片是一张赵云的图片，下图所示是原图与阈值化为0的图片对比：

5. 反阈值化为0 (cv2.THRESH_TOZERO_INV)

python 复制代码

import cv2
image = cv2.imread('zhaoyun1.jpg')  #灰度图

'''------------------------反阈值化为0--------------------------'''
ret,tozeroinv = cv2.threshold(image,175,255,cv2.THRESH_TOZERO_INV)

图中我们给的图片是一张赵云的图片，下图所示是原图与反阈值化为0的图片对比：

四、总结

OpenCV的阈值处理是图像处理的基础操作，掌握各种阈值方法及其适用场景对于计算机视觉任务至关重要。每种技术都有其独特的优势和适用场景。在实际应用中，通常需要结合多种预处理和后处理技术，才能获得理想的二值化效果。

通过本文的介绍和示例代码，希望读者能够：

理解不同阈值处理方法的原理和区别
根据具体问题选择合适的阈值技术
掌握OpenCV中阈值处理的实际应用技巧
能够在自己的项目中有效应用这些技术

阈值处理虽然基础，但在OCR、目标检测、医学图像分析等领域发挥着重要作用，是每个计算机视觉工程师必须熟练掌握的技能之一。

希望这篇博客对您有帮助，感谢观看!