OpenCV二值化处理

1.1. 为什么需要二值化操作

二值化操作将灰度图像转换为黑白图像，即将图像中的像素值分为两类：前景（通常为白色，值为 255）和背景（通常为黑色，值为 0）。二值化的主要目的是简化图像，突出目标物体，便于后续的图像分析和处理，如特征提取、目标检测、图像分割等。

1.2. 二值化操作的原理

二值化操作通过设定一个阈值，将图像中的像素值与该阈值进行比较：

如果像素值大于或等于阈值，则将其设为最大值（通常是 255）。如果像素值小于阈值，则将其设为最小值（通常是 0）。

OpenCV 中常用的二值化方法包括：

全局阈值法：使用一个固定的阈值对整个图像进行二值化。自动阈值法（OTSU）：适用于双峰直方图的图像，该方法会自动计算一个阈值，使得前景和背景的类间方差最大，从而实现最佳的二值化效果。自适应阈值法：根据图像的局部区域动态计算阈值，适用于光照不均匀的图像。 1.3. OpenCV 中如何实现二值化操作 1.3.1. 全局阈值法

使用 cv2.threshold() 函数实现全局阈值二值化：

import cv2 # 读取图像并转换为灰度图像 img = cv2.imread('example.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 全局阈值二值化 ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY) # 显示结果 cv2.imshow('Binary Image', binary) cv2.waitKey(0) cv2.destroyAllWindows()

参数说明：

src：输入的灰度图像。thresh：阈值。maxval：最大值，通常为 255。type：二值化类型，如 cv2.THRESH_BINARY。 1.3.2. Otsu 阈值法

使用 cv2.threshold 函数实现 Otsu 阈值法：

Python复制

ret, binary = cv2.threshold(src, thresh, maxval, type) src：输入的灰度图像。thresh：初始阈值（通常设置为 0，因为 Otsu 方法会自动计算最佳阈值）。maxval：阈值化后的最大值，通常是 255。type：阈值化类型，使用 cv2.THRESH_BINARY + cv2.THRESH_OTSU 表示使用 Otsu 方法。ret：自动计算的阈值。binary：二值化后的图像。 # 读取图像并转换为灰度图像 img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE) # 使用 Otsu 方法自动计算阈值 ret, binary_otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 自适应阈值二值化 binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) # 显示结果 cv2.imshow('Adaptive Binary Image', binary) cv2.waitKey(0) cv2.destroyAllWindows()

参数说明：

src：输入的灰度图像。maxValue：最大值，通常为 255。adaptiveMethod：自适应方法，如 cv2.ADAPTIVE_THRESH_MEAN_C。thresholdType：二值化类型，如 cv2.THRESH_BINARY。blockSize：局部窗口大小，必须是奇数。C：常数偏移值。 1.4. 使用注意事项 图像预处理：在进行二值化之前，通常需要对图像进行预处理，如去噪、灰度转换等。阈值选择：阈值的选择对二值化结果影响很大，需要根据图像的灰度分布和处理需求来选择合适的阈值。自适应阈值：对于光照不均匀的图像，自适应阈值法通常比全局阈值法效果更好。二值化类型：根据具体需求选择合适的二值化类型，如 cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV 等。 1.5. 例子

我们用一个物体表面的裂缝为例子实验：

def TestThreshold(): # 读取图像并转换为灰度图像 image_path = 'Carck.png' img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) if img is None: raise FileNotFoundError(f"图像文件未找到：{image_path}") # 方法1：全局阈值法 # 使用固定阈值进行二值化 _, binary_global = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY) # 方法2：OTSU 自动阈值法 # 自动计算阈值 _, binary_otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) # 方法3：自适应阈值法 # 根据局部区域动态计算阈值 binary_adaptive = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2) # 显示结果 plt.figure(figsize=(12, 8)) plt.subplot(2, 2, 1) plt.imshow(img, cmap='gray') plt.title('Original Image') plt.axis('off') plt.subplot(2, 2, 2) plt.imshow(binary_global, cmap='gray') plt.title('Global Thresholding') plt.axis('off') plt.subplot(2, 2, 3) plt.imshow(binary_otsu, cmap='gray') plt.title('OTSU Thresholding') plt.axis('off') plt.subplot(2, 2, 4) plt.imshow(binary_adaptive, cmap='gray') plt.title('Adaptive Thresholding') plt.axis('off') plt.tight_layout() plt.show()

可以看到全局阈值发和OTSU自动化阈值法效果还可以，自适应阈值法提取效果没有那么好

可以观察到OTSU检查出来的划痕更完整，大家可以修改全局阈值法的值127减少和增大分别会发生什么

# 方法1：全局阈值法 # 使用固定阈值进行二值化 _, binary_global = cv2.threshold(img, 140, 255, cv2.THRESH_BINARY) #增大阈值 _, binary_global = cv2.threshold(img, 120, 255, cv2.THRESH_BINARY) #减少阈值