python对图片进行二值化

在Python中实现图像二值化主要依赖图像处理库（如OpenCV或PIL）。以下是两种主流方法的详细实现：

方法1：使用OpenCV（推荐高性能场景）

import cv2# 读取图像（支持路径或直接读取）
image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE)  # 直接转为灰度图# 全局阈值二值化（阈值设为128）
_, binary_image = cv2.threshold(image, 128, 255, cv2.THRESH_BINARY)# 自适应阈值（适用于光照不均场景）
adaptive_binary = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11,  # 邻域尺寸（需奇数）2    # 常数偏移量
)# 保存结果
cv2.imwrite('binary_global.jpg', binary_image)
cv2.imwrite('adaptive_binary.jpg', adaptive_binary)

方法2：使用PIL（轻量级方案）

from PIL import Image, ImageOps# 打开图像并转为灰度
img = Image.open('input.jpg').convert('L')# 手动二值化（阈值128）
binary_img = img.point(lambda p: 255 if p > 128 else 0)# 使用内置二值化方法
binary_img_builtin = ImageOps.colorize(img, black="black", white="white", threshold=0.5  # 0.0-1.0范围
)# 保存结果
binary_img.save('pil_binary.jpg')
binary_img_builtin.save('pil_builtin_binary.jpg')

关键参数说明

1. 阈值选择：

   • 全局阈值：128（中值）适用于对比度均匀的图像
   • 自适应阈值：通过adaptiveThreshold自动计算局部阈值
   • Otsu方法：cv2.THRESH_OTSU标志可自动计算最优阈值

2. 注意事项：

   • 安装依赖：pip install opencv-python pillow
   • 输入路径：确保图像文件存在或使用绝对路径
   • 颜色空间：处理前统一转为灰度图（cv2.COLOR_BGR2GRAY）
   • 内存管理：大图像建议分块处理

扩展优化

• 大津法（OTSU）：在cv2.threshold中添加cv2.THRESH_OTSU标志
• 颜色二值化：对彩色图像各通道分别处理后合并
• 形态学操作：二值化后配合cv2.morphologyEx优化边缘

以上代码可直接复制运行，根据实际场景选择OpenCV（高性能）或PIL（轻量级）方案。处理前建议备份原始图像，处理后可通过matplotlib进行可视化验证。