Opencv(三): 二值化

一、前言

在计算机视觉的图像处理链路中，二值化是连接灰度化与高级任务（如轮廓提取、文字识别）的关键桥梁。它并非简单的“黑白转换”，而是通过筛选像素亮度信息，剥离冗余的灰度细节，让图像中的目标区域（如物体边缘、文字区域）与背景形成强烈对比。

二、二值化的基本概念与前置条件

1. 核心定义

二值化的本质是阈值分割：将灰度图像（像素值范围0-255）中的每个像素，依据预设规则映射为仅有的两个值——0（纯黑）和255（纯白），最终得到仅含黑白两色的二值图像。

需特别注意，二值化的操作对象**只能是灰度图像**，无法直接处理彩色图像。

---

三、常见的六种二值化方法

1. 阈值法（THRESH_BINARY）

原理与逻辑

作为最经典的二值化方式，它通过手动设定一个固定阈值，将像素划分为“目标”与“背景”两类：

• 当灰度像素值 大于阈值 时，判定为“目标”，赋值为255（纯白）；
• 当灰度像素值 小于等于阈值 时，判定为“背景”，赋值为0（纯黑）。

二值化代码与适用场景

import cv2
import numpy as npif __name__ == "__main__":path = "./flower.png"image_np = cv2.imread(path)image_np = cv2.resize(image_np,(400,400))img_shape = image_np.shapeimage_np_gray = np.zeros((img_shape[0], img_shape[1]), dtype=np.uint8)  # image_np.copy()# 加权灰度化wr = 0.299wg = 0.587wb = 0.114for i in range(img_shape[0]):for j in range(img_shape[1]):image_np_gray[i, j] = (int(wr * image_np[i, j][2]) + int(wg * image_np[i, j][1]) + int(wb * image_np[i, j][0]))# 二值化ret, image_np_thresh = cv2.threshold(image_np_gray, 127, 255, cv2.THRESH_BINARY)cv2.imshow("image_np_gray", image_np_gray)cv2.imshow("image_np_thresh", image_np_thresh)cv2.waitKey(0)

输出结果为:
灰度化:

二值化图像:

适用场景：光照均匀、目标与背景亮度差异显著的图像，如实验室环境下拍摄的物体、无阴影的文档扫描图。

2. 反阈值法（THRESH_BINARY_INV）

原理与逻辑

与阈值法完全相反，通过反转黑白映射规则，实现“背景变目标、目标变背景”的效果：

• 当灰度像素值 大于阈值 时，赋值为0（纯黑）；
• 当灰度像素值 小于等于阈值 时，赋值为255（纯白）。

代码与适用场景

import cv2
import numpy as np#1.读取要二值化的彩色图
image_np = cv2.imread('./flower.png')
image_np = cv2.resize(image_np, (400, 400))#2.将读取到的彩色图进行灰度化
image_gray = cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)#获取灰度图的形状
image_shape = image_gray.shape#创建一个二值化模板
image_thresh = np.zeros((image_shape[0],image_shape[1]),dtype=np.uint8)#设置阈值
thresh = 127
#设置最大值
maxval = 255ret,image_thresh = cv2.threshold(image_gray,thresh,maxval,cv2.THRESH_BINARY_INV)cv2.imshow('image_thresh',image_thresh)
cv2.waitKey(0)

输出结果为:

适用场景：需要突出暗部目标的场景，如提取图像中的阴影区域、检测透明物体在亮背景下的轮廓。

3. 截断阈值法（THRESH_TRUNC）

原理与逻辑

与前两种方法不同，它不产生纯黑像素，而是通过“截断”亮度上限来压缩灰度范围：

• 当灰度像素值 大于阈值 时，强制赋值为阈值（而非255）；
• 当灰度像素值 小于等于阈值 时，保持原像素值不变。

最终二值图（实际为“灰度受限图”）的最大像素值等于设定的阈值，不会出现纯白区域。

代码与适用场景

import cv2
import numpy as npimage_np = cv2.imread('./flower.png')
image_np = cv2.resize(image_np, (400, 400))image_gray = cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)thresh = 150
maxval = 255image_shape = image_gray.shapeimage_thresh = np.zeros((image_shape[0],image_shape[1]),dtype = np.uint8)ret,image_thresh = cv2.threshold(image_gray,thresh,maxval,cv2.THRESH_TRUNC)cv2.imshow('image_thresh',image_thresh)
cv2.waitKey(0)

输出结果为:

适用场景：需要保留暗部细节、抑制高亮过曝的场景，如处理逆光拍摄的图像、保留金属表面的反光层次。

4. 低阈值零处理（THRESH_TOZERO）

原理与逻辑

聚焦于“消除暗部干扰”，仅对低亮度像素进行处理：

• 当灰度像素值 小于等于阈值 时，赋值为0（纯黑），彻底消除暗部噪声；
• 当灰度像素值 大于阈值 时，保持原像素值不变，保留亮部的灰度细节。

代码与适用场景

import cv2
import numpy as npimage_np = cv2.imread('./flower.png')
image_np = cv2.resize(image_np, (400, 400))image_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)thresh = 150
maxval = 255   ret, image_thresh = cv2.threshold(image_gray, thresh, maxval, cv2.THRESH_TOZERO)cv2.imshow('image_thresh', image_thresh)
cv2.waitKey(0)

输出结果为:

适用场景：暗部存在噪声（如 grain 噪点），但亮部目标清晰的图像，如夜间监控中识别灯光下的物体。

5. 超阈值零处理（THRESH_TOZERO_INV）

原理与逻辑

与低阈值零处理相反，专注于“保留暗部目标”，抑制亮部干扰：

• 当灰度像素值 大于阈值 时，赋值为0（纯黑），消除亮部噪声；
• 当灰度像素值 小于等于阈值 时，保持原像素值不变，保留暗部细节。

代码与适用场景

import cv2
import numpy as npimage_np = cv2.imread('./flower.png')
image_np = cv2.resize(image_np, (400, 400))image_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)thresh = 150
maxval = 255   ret, image_thresh = cv2.threshold(image_gray, thresh, maxval, cv2.THRESH_TOZERO_INV)cv2.imshow('image_thresh', image_thresh)
cv2.waitKey(0)

输出结果为:

适用场景：亮部存在干扰（如反光、光斑），暗部目标为核心分析对象的场景，如医学图像中观察组织的暗部病灶。

6. OTSU阈值法（THRESH_OTSU）

原理与逻辑

前五种方法均需手动设定阈值，但实际场景中（如摄像头拍摄的动态图像），光照变化会导致固定阈值失效。OTSU算法通过最大化类间方差，自动计算出最优阈值，无需人工干预。

其核心逻辑是：将灰度图的像素划分为“前景”（目标）和“背景”两类，遍历0-255所有可能的阈值，找到使两类像素的方差最大的阈值——方差越大，说明前景与背景的亮度差异越显著，分割效果越好。

代码实例

import cv2
import numpy as npimage_np = cv2.imread('./flower.png')
image_np = cv2.resize(image_np, (400, 400))image_gray = cv2.cvtColor(image_np, cv2.COLOR_BGR2GRAY)# OTSU法中手动阈值设为0，由算法自动计算
thresh = 0  
maxval = 255# 关键修改：方法叠加cv2.THRESH_OTSU（此处以THRESH_BINARY为例，也可叠加其他类型如THRESH_BINARY_INV）
ret, image_thresh = cv2.threshold(image_gray, thresh, maxval, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 打印OTSU算法自动计算的最优阈值
print(f"OTSU自动计算的最优阈值：{ret}")cv2.imshow('image_thresh', image_thresh)
cv2.waitKey(0)

输出结果为:

• 注意事项：使用OTSU时，手动设定的thresh参数会失效，最终阈值由算法计算得出；该方法对噪声敏感，建议先通过高斯模糊（cv2.GaussianBlur）预处理图像，再进行OTSU二值化。
• 适用场景：光照不均、场景动态变化的图像，如实时监控画面、不同角度拍摄的产品图。

四、总结

1. 方法选型核心原则

通过实验对比，六种方法的适用场景可总结为“三看”：

• 看光照：光照均匀用手动阈值法（如THRESH_BINARY），光照不均用OTSU自适应法；
• 看目标：目标是亮部用THRESH_BINARY/TOZERO，目标是暗部用THRESH_BINARY_INV/TOZERO_INV；
• 看需求：需保留灰度细节用THRESH_TRUNC，需纯黑白对比用其他五种方法。

2. 实验关键注意事项

• 图像格式：实验中导入的图像需为原生PNG格式，避免由JPG等格式修改后缀导致的读取错误，影响二值化效果；
• OTSU预处理：当图像存在噪声时，直接用OTSU会导致阈值计算偏差，建议先执行src = cv2.GaussianBlur(src, (5,5), 0)（5×5高斯核）去噪；
• 参数验证：手动设定阈值时，可多尝试127（中间值）、150、200等常用值，通过对比二值图效果选择最优阈值，而非依赖固定值。