Day 5：threshold与inRange阈值分割

一、先理解 threshold()：根据像素亮度分割

假设你有一张农田图片：

复制代码

cv::Mat image = cv::imread("images/field.jpg");

先将它转换为灰度图：

复制代码

cv::Mat gray;

cv::cvtColor(
    image,
    gray,
    cv::COLOR_BGR2GRAY
);

这时：

复制代码

原始 BGR 图像
    ↓
cv::cvtColor()
    ↓
单通道灰度图

对于常见的 8 位灰度图，每个像素取值为 0～255。

然后执行：

复制代码

cv::Mat binary;

cv::threshold(
    gray,
    binary,
    128,
    255,
    cv::THRESH_BINARY
);

这里五个参数分别代表：

参数	含义
`gray`	输入灰度图
`binary`	输出二值图
`128`	判断阈值
`255`	满足条件时的输出值
`cv::THRESH_BINARY`	二值化方式

threshold 如何判断一个像素？

对于 THRESH_BINARY，规则是：

这里要特别注意：

threshold() 的 THRESH_BINARY 是大于阈值才输出 255，而不是大于等于。

假设一张灰度图像只有六个像素：

复制代码

30    80    120
128   180   230

阈值为 128 时：

复制代码

0     0     0
0     255   255

因为 128 本身不大于 128。

所以你可以先形成一个直观理解：

THRESH_BINARY 相当于根据单通道数值，把图像分成两部分。

对于灰度图，通常表现为将较亮与较暗的像素分开。

二、理解 inRange()：判断像素是否落在指定区间

之前已经使用过：

复制代码

cv::Mat hsv, mask;

cv::cvtColor(
    image,
    hsv,
    cv::COLOR_BGR2HSV
);

cv::inRange(
    hsv,
    cv::Scalar(35, 40, 40),
    cv::Scalar(85, 255, 255),
    mask
);

这里的逻辑与灰度阈值不一样。

它并不是简单判断：

复制代码

像素是否大于某个值？

而是判断：

像素的所有通道数值，是否同时落在指定上下限之间？

对于 HSV 像素 (H,S,V)，上述代码对应：

三个条件全部满足才输出 255。

否则输出 0。

例如：

复制代码

像素 A：(60,170,190)

满足全部条件，结果：

复制代码

而：

复制代码

像素 B：(60,20,190)

虽然 H 满足，但 S 不满足，结果：

复制代码

一个很重要的区别:

threshold(..., THRESH_BINARY) 通常是在一个灰度通道上判断是否大于某个值。
inRange() 可以在多个通道上同时检查上下限，也可以用于单通道数据。
因此，你的 HSV 绿色植株分割更适合使用 inRange()。

三、实验：三张农田图像，两种分割方式

这部分是今天真正需要动手完成的内容。

我建议你选择三种不同光照情况的农田图片：

图片	拍摄环境	重点观察
image1	光照均匀	两种方法能否保留绿色植株
image2	阳光强烈、存在高光	灰度阈值是否误选明亮土壤
image3	阴影明显	是否漏掉阴影中的叶片

为了保证实验公平，先保持所有图片的原始尺寸，不使用形态学、面积过滤或其他后处理。

这样你比较的才是两种阈值方法本身，而不是后处理带来的改善。

1. 推荐的项目结构

复制代码

ThresholdDemo/
├── CMakeLists.txt
├── src/
│   └── main.cpp
├── images/
│   ├── image1.jpg
│   ├── image2.jpg
│   └── image3.jpg
├── build/
└── output/

2. 完整 C++ 代码

这份代码会批量读取三张图片，并且自动生成你要求的六张 mask，同时打印每张 mask 保留的像素数及比例。

复制代码

#include <opencv2/opencv.hpp>
#include <iostream>
#include <string>
#include <vector>
#include <filesystem>
#include <iomanip>

namespace fs = std::filesystem;

int main() {

    // 在项目根目录执行程序时使用
    const std::string inputDir = "images";
    const std::string outputDir = "output";

    fs::create_directories(outputDir);

    std::vector<std::string> imageNames = {
        "image1",
        "image2",
        "image3"
    };

    const double grayThreshold = 128.0;

    const cv::Scalar lowerGreen(35, 40, 40);
    const cv::Scalar upperGreen(85, 255, 255);

    for (const auto& name : imageNames) {

        // 1. 读取图片
        fs::path imagePath =
            fs::path(inputDir) / (name + ".jpg");

        cv::Mat image =
            cv::imread(imagePath.string());

        if (image.empty()) {
            std::cerr
                << "Failed to load: "
                << imagePath << '\n';
            continue;
        }

        // 2. 灰度阈值分割
        cv::Mat gray;
        cv::Mat grayMask;

        cv::cvtColor(
            image,
            gray,
            cv::COLOR_BGR2GRAY
        );

        cv::threshold(
            gray,
            grayMask,
            grayThreshold,
            255,
            cv::THRESH_BINARY
        );

        // 3. HSV 绿色阈值分割
        cv::Mat hsv;
        cv::Mat hsvMask;

        cv::cvtColor(
            image,
            hsv,
            cv::COLOR_BGR2HSV
        );

        cv::inRange(
            hsv,
            lowerGreen,
            upperGreen,
            hsvMask
        );

        // 4. 保存两种 mask
        fs::path grayPath =
            fs::path(outputDir) / (name + "_gray_mask.png");

        fs::path hsvPath =
            fs::path(outputDir) / (name + "_hsv_mask.png");

        bool savedGray =
            cv::imwrite(grayPath.string(), grayMask);

        bool savedHSV =
            cv::imwrite(hsvPath.string(), hsvMask);

        if (!savedGray || !savedHSV) {
            std::cerr << "Failed to save masks for "
                      << name << '\n';
        }

        // 5. 统计白色像素
        int grayCount = cv::countNonZero(grayMask);
        int hsvCount = cv::countNonZero(hsvMask);

        double totalPixels =
            static_cast<double>(image.total());

        double grayRatio =
            100.0 * grayCount / totalPixels;

        double hsvRatio =
            100.0 * hsvCount / totalPixels;

        // 6. 输出统计信息
        std::cout << "\nImage: " << name << '\n';

        std::cout
            << "Size: "
            << image.cols << " x "
            << image.rows << '\n';

        std::cout << std::fixed
                  << std::setprecision(2);

        std::cout
            << "Gray foreground: "
            << grayCount
            << " (" << grayRatio << "%)\n";

        std::cout
            << "HSV foreground: "
            << hsvCount
            << " (" << hsvRatio << "%)\n";
    }

    return 0;
}

其中有一个你之前没有深入学过的函数：

复制代码

cv::countNonZero(mask)

它的作用是：

统计单通道图像中非零像素的数量。

因为你生成的是 0/255 二值 mask，所以它统计的就是白色像素的数量。

例如：

复制代码

图像总像素数：100000
白色像素数：25000

那么前景占比：

但这里必须注意：

白色像素比例高，不代表分割准确率高。

例如 HSV 可能把大量杂草也分割出来；灰度阈值可能把明亮土壤识别成前景。所以这个指标只是辅助观察，不是精度指标。

四、结果应该怎么分析？

当你得到六张 mask 后，不建议只说"HSV 看起来更好"。

你需要观察具体出现了哪些差异。

可以按照下面这张表整理实验记录。

条件	灰度阈值应关注的问题	HSV 应关注的问题
光照均匀	裸土与植株灰度是否重叠	绿色叶片是否完整保留
强烈光照	明亮土壤是否误分割	高光、低饱和度叶片是否漏检
阴影明显	阴影植株是否被过滤	低 V 值植株是否被过滤

建议每张图片再统计三种现象：

植株保留情况：叶片主体是不是被保留下来了？小叶片是否缺失？

背景误分割：土壤、阴影和其他背景有没有被错误变成白色？

光照鲁棒性：相同类型的绿色叶片，在亮处和暗处能否都被保留？

如果想更严谨一点，还可以手动挑选若干植株区域和背景区域，统计它们各自被保留的像素比例。

这样就可以把"目测结果"进一步转化为简单的定量分析。

六、再补充两个值得掌握的知识点

1. threshold() 不止一种模式

你今天主要使用：

复制代码

cv::THRESH_BINARY

但 OpenCV 还提供其他阈值模式：

模式	作用
`THRESH_BINARY`	大于阈值输出最大值，否则 0
`THRESH_BINARY_INV`	大于阈值输出 0，否则最大值
`THRESH_TRUNC`	超过阈值的数值截断为阈值
`THRESH_TOZERO`	小于等于阈值的变为 0
`THRESH_TOZERO_INV`	大于阈值的变为 0

今天只需要掌握 THRESH_BINARY，并了解反向二值化即可。

另外，OpenCV 还有 Otsu 自动阈值和自适应阈值等方法，之后学习图像分割时可以再深入。

2. HSV 分割也不总比灰度分割好

这点需要建立正确认识。

例如你希望分割的是：

白纸上的黑色文字；
光照均匀背景中的黑色物体；
具有明显灰度差异的结构。

那么灰度阈值可能已经足够，而且更简单。

但是如果目标是：

从棕色土壤中提取绿色植株。

那么颜色信息通常非常重要，HSV 的 H、S、V 分离表示就更容易设置筛选条件。

因此选择哪一种方法，关键是看：

目标与背景的主要差异到底来自亮度，还是颜色。