当前位置：首页 > news >正文

HoRain云--OpenCV图像阈值处理全解析

news 2026/5/12 15:19:09

🎬 HoRain 云小助手：个人主页

⛺️生活的理想，就是为了理想的生活!

⛳️ 推荐

前些天发现了一个超棒的服务器购买网站，性价比超高，大内存超划算！忍不住分享一下给大家。点击跳转到网站。

1. 全局阈值处理 - cv2.threshold()

2. 自适应阈值处理 - cv2.adaptiveThreshold()

三、5种基本阈值处理类型

1. 二值化阈值处理 (THRESH_BINARY)

2. 反二值化阈值处理 (THRESH_BINARY_INV)

3. 截断阈值处理 (THRESH_TRUNC)

4. 阈值化为0 (THRESH_TOZERO)

5. 反阈值化为0 (THRESH_TOZERO_INV)

6. Otsu自动阈值法 (THRESH_OTSU)

OpenCV图像阈值处理详解

图像阈值处理是计算机视觉中最基础、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中的图像阈值处理技术。

一、阈值处理基本原理

阈值处理是通过设定一个或多个阈值，将图像的像素值分为不同类别的过程。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

1. 全局阈值处理 - cv2.threshold()

函数原型：

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

参数说明：

src：输入图像（必须为灰度图）
thresh：阈值（0-255）
maxval：当像素值超过阈值时赋予的最大值
type：阈值处理类型
retval：实际使用的阈值（某些方法会自动计算）
dst：输出图像

2. 自适应阈值处理 - cv2.adaptiveThreshold()

函数原型：

dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

参数说明：

src：输入灰度图像
maxValue：满足条件的像素赋予的最大值
adaptiveMethod：自适应算法类型
- cv.ADAPTIVE_THRESH_MEAN_C：邻域内像素均值作为阈值
- cv.ADAPTIVE_THRESH_GAUSSIAN_C：邻域内像素的加权均值（高斯核权重）
thresholdType：阈值处理类型（仅支持二值化/反二值化）
blockSize：邻域窗口大小（必须为正奇数，如3,5,11）
C：从计算阈值中减去的常数（用于微调阈值，可为负数）

三、5种基本阈值处理类型

1. 二值化阈值处理 (THRESH_BINARY)

规则：像素值 > thresh 时设为 maxval，否则设为 0

代码：

ret, thresh_binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

2. 反二值化阈值处理 (THRESH_BINARY_INV)

规则：像素值 > thresh 时设为 0，否则设为 maxval

代码：

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

3. 截断阈值处理 (THRESH_TRUNC)

规则：像素值 > thresh 时设为 thresh，否则保持不变

代码：

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

4. 阈值化为0 (THRESH_TOZERO)

规则：像素值 > thresh 时保持不变，否则设为 0

代码：

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

5. 反阈值化为0 (THRESH_TOZERO_INV)

规则：像素值 > thresh 时设为 0，否则保持不变

代码：

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

6. Otsu自动阈值法 (THRESH_OTSU)

原理：通过最大化类间方差自动确定最佳阈值

代码：

ret, otsu_thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

四、完整代码示例

import cv2 import numpy as np import matplotlib.pyplot as plt # 读取图像并转为灰度图 img = cv2.imread('lena.jpg', cv2.IMREAD_GRAYSCALE) if img is None: print("错误：无法加载图像") exit() # 应用不同阈值类型 thresh_value = 127 max_value = 255 # 二值化 _, thresh_binary = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_BINARY) # 反二值化 _, thresh_binary_inv = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_BINARY_INV) # 截断阈值 _, thresh_trunc = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_TRUNC) # 阈值化为0 _, thresh_tozero = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_TOZERO) # 反阈值化为0 _, thresh_tozero_inv = cv2.threshold(img, thresh_value, max_value, cv2.THRESH_TOZERO_INV) # 自适应阈值处理（高斯加权） adaptive_thresh = cv2.adaptiveThreshold( img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 9 ) # Otsu自动阈值 _, otsu_thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 显示结果 titles = ['原始图像', 'THRESH_BINARY', 'THRESH_BINARY_INV', 'THRESH_TRUNC', 'THRESH_TOZERO', 'THRESH_TOZERO_INV', '自适应阈值', 'Otsu阈值'] images = [img, thresh_binary, thresh_binary_inv, thresh_trunc, thresh_tozero, thresh_tozero_inv, adaptive_thresh, otsu_thresh] plt.figure(figsize=(15, 10)) for i in range(8): plt.subplot(2, 4, i+1) plt.imshow(images[i], 'gray') plt.title(titles[i]) plt.xticks([]) plt.yticks([]) plt.tight_layout() plt.show()

五、应用场景

六、选择阈值处理方法的建议

场景	推荐方法	说明
光照均匀的图像	全局阈值（THRESH_BINARY）	简单高效，计算量小
光照不均匀的图像	自适应阈值（ADAPTIVE_THRESH_GAUSSIAN_C）	能适应局部光照变化
未知阈值的最佳选择	Otsu自动阈值法	自动计算最优阈值，无需人工设置
需要保留部分灰度信息	THRESH_TRUNC或THRESH_TOZERO	保留部分灰度信息，适合特定场景