OpenCV 图像预处理核心技术：阈值处理与滤波去噪

图像预处理是计算机视觉任务的关键步骤，其目标是优化图像质量、突出有效信息，为后续的边缘检测、目标识别等操作奠定基础。本文将通过实战代码，系统解析图像阈值处理（全局阈值、自适应阈值、Otsu 阈值）和图像滤波去噪（均值、高斯、中值、双边滤波）两大核心技术，帮助你理解不同场景下的预处理方案选择。

一、图像阈值处理：分割前景与背景

阈值处理是通过设定像素值阈值，将灰度图像（或彩色图像的单通道）转换为二值图像（仅黑白两色），从而分割出前景目标与背景。OpenCV 提供了三类阈值处理方法，分别应对不同的图像条件（如光照均匀 / 不均、有无噪声）。

1. 全局阈值：固定阈值分割（适用于光照均匀图像）

全局阈值使用单一固定阈值对整幅图像进行分割，操作简单但对光照不均的图像效果较差。OpenCV 支持 5 种全局阈值类型，核心是通过cv2.threshold()实现。

代码实现：5 种全局阈值类型对比

import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取图像（注意：阈值处理通常基于灰度图，此处直接用彩色图会对三通道分别处理）
img = cv2.imread('ocv01.jpg')
# 转换为灰度图（推荐做法，避免彩色通道干扰）
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 全局阈值处理：参数依次为（输入图，阈值，最大值，阈值类型）
ret, thresh1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)       # 二值化：>127→255（白），<127→0（黑）
ret, thresh2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY_INV)   # 反二值化：>127→0，<127→255
ret, thresh3 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TRUNC)        # 截断：>127→127，<127不变
ret, thresh4 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO)       # 归零：>127不变，<127→0
ret, thresh5 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_TOZERO_INV)   # 反归零：>127→0，<127不变# 显示结果
titles = ['Original Gray Image', 'BINARY', 'BINARY_INV', 'TRUNC', 'TOZERO', 'TOZERO_INV']
images = [img_gray, thresh1, thresh2, thresh3, thresh4, thresh5]for i in range(6):plt.subplot(2, 3, i+1)plt.imshow(images[i], cmap='gray')  # 灰度模式显示plt.title(titles[i])plt.xticks([]), plt.yticks([])  # 隐藏坐标轴plt.show()

关键参数与类型解析

• ret：函数返回的阈值（此处为 127，自定义时与输入阈值一致；自动阈值方法中为计算出的最优阈值）。
• 注意：彩色图像直接阈值处理会对 B、G、R 三通道分别分割，可能导致颜色异常，因此推荐先转换为灰度图。

2. 自适应阈值：局部动态阈值（适用于光照不均图像）

全局阈值的缺陷是：当图像光照不均（如局部阴影、明暗差异大）时，单一阈值无法兼顾所有区域。自适应阈值通过局部区域的像素均值 / 高斯加权均值动态计算每个区域的阈值，解决光照不均问题。

代码实现：自适应阈值 vs 全局阈值

import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取图像并转换为灰度图
img = cv2.imread('ocv01.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 中值滤波预处理（降低噪声对阈值的影响）
img_gray = cv2.medianBlur(img_gray, 5)# 1. 全局阈值（对比用）
ret, th_global = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)# 2. 自适应阈值：参数依次为（输入图，最大值，自适应方法，阈值类型，块大小，常数C）
# 方法1：局部均值自适应（块内像素均值 - C 作为阈值）
th_mean = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C,  # 自适应方法：局部均值cv2.THRESH_BINARY,           # 阈值类型11, 2                        # 块大小（奇数），常数C（均值减去C）
)# 方法2：局部高斯加权均值自适应（块内像素高斯加权均值 - C 作为阈值）
th_gaussian = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,  # 自适应方法：高斯加权均值cv2.THRESH_BINARY, 11, 2
)# 显示对比
titles = ['Original Gray Image', 'Global Threshold (v=127)', 'Adaptive Mean Threshold', 'Adaptive Gaussian Threshold'
]
images = [img_gray, th_global, th_mean, th_gaussian]for i in range(4):plt.subplot(2, 2, i+1)plt.imshow(images[i], cmap='gray')plt.title(titles[i])plt.xticks([]), plt.yticks([])plt.show()

核心参数解析

• 块大小（11）：计算局部阈值的区域大小，必须为奇数（确保中心像素存在）；块越大，阈值越平滑，反之越灵敏。
• 常数 C：从局部均值 / 高斯均值中减去的数值，用于调整阈值高低（C 为正则阈值降低，更多像素被判定为白色；C 为负则阈值升高）。
• 自适应方法对比：
  • ADAPTIVE_THRESH_MEAN_C：计算速度快，但对噪声敏感。
  • ADAPTIVE_THRESH_GAUSSIAN_C：对噪声更鲁棒（高斯加权突出中心像素），但计算稍慢，适合噪声较多的图像。

3. Otsu 阈值：自动最优阈值（适用于噪声图像）

当图像灰度直方图呈现明显双峰分布（前景与背景像素值集中在两个区间）时，Otsu 阈值能自动计算出 “分离两个峰” 的最优阈值，无需手动调整。常与高斯滤波结合，降低噪声对直方图的干扰。

代码实现：Otsu 阈值（含噪声处理）

import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取含噪声的图像并转换为灰度图
img_noisy = cv2.imread('noise.jpg')
img_gray = cv2.cvtColor(img_noisy, cv2.COLOR_BGR2GRAY)# 1. 普通全局阈值（手动设127，效果差）
ret1, th1 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)# 2. Otsu阈值（自动计算最优阈值，无需手动设阈值）
# 阈值设0，通过cv2.THRESH_OTSU标志自动计算ret2（最优阈值）
ret2, th2 = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 3. 高斯滤波+Otsu阈值（先去噪，再优化阈值）
img_blur = cv2.GaussianBlur(img_gray, (5, 5), 0)  # 5x5高斯滤波
ret3, th3 = cv2.threshold(img_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)# 显示结果（含直方图，直观展示双峰分布）
titles = ['Original Noisy Image', 'Histogram', 'Global Threshold (v=127)','Original Noisy Image', 'Histogram', "Otsu's Thresholding",'Gaussian Filtered Image', 'Histogram', "Otsu's Thresholding (After Blur)"
]
images = [img_gray, 0, th1, img_gray, 0, th2, img_blur, 0, th3]for i in range(3):# 第1列：图像plt.subplot(3, 3, i*3 + 1)plt.imshow(images[i*3], cmap='gray')plt.title(titles[i*3]), plt.xticks([]), plt.yticks([])# 第2列：直方图（ravel()将图像展平为一维数组）plt.subplot(3, 3, i*3 + 2)plt.hist(images[i*3].ravel(), 256)  # 256个灰度级plt.title(titles[i*3 + 1]), plt.xticks([]), plt.yticks([])# 标注Otsu计算的最优阈值if i > 0:plt.axvline(x=ret2 if i==1 else ret3, color='r', linestyle='--', label=f'Threshold={ret2 if i==1 else ret3:.0f}')plt.legend()# 第3列：阈值结果plt.subplot(3, 3, i*3 + 3)plt.imshow(images[i*3 + 2], cmap='gray')plt.title(titles[i*3 + 2]), plt.xticks([]), plt.yticks([])plt.show()

核心原理与优势

• Otsu 算法通过计算 “类间方差最大化” 来确定最优阈值：将像素分为前景和背景两类，当两类的方差最大时，阈值能最清晰地分割两者。
• 适用场景：灰度直方图有明显双峰的图像（如文字扫描件、细胞图像）；若直方图无明显双峰（如渐变图像），Otsu 效果会下降。
• 噪声影响：噪声会导致直方图峰模糊，因此先进行高斯滤波去噪，再用 Otsu 阈值，能显著提升分割效果。

二、图像滤波去噪：平滑图像与保留细节

图像噪声（如椒盐噪声、高斯噪声）会干扰后续处理（如阈值分割、边缘检测），滤波的核心是抑制噪声的同时，尽可能保留图像细节（如边缘）。OpenCV 提供线性滤波和非线性滤波两类方法，各有优劣。

1. 线性滤波：均值滤波（基于卷积的平滑）

线性滤波通过固定卷积核对图像进行卷积运算，均值滤波是最基础的线性滤波，核心是用 “卷积核覆盖区域的像素均值” 替代中心像素值，实现平滑去噪，但会模糊边缘。

代码实现：自定义均值滤波（用cv2.filter2D）

import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取彩色图像
img = cv2.imread('ocv01.jpg')
# 转换为RGB格式（matplotlib默认RGB显示，OpenCV默认BGR）
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 1. 定义均值卷积核：5x5大小，每个元素为1/25（确保卷积后像素值在0-255）
kernel = np.ones((5, 5), np.uint8) / 25  # 5x5核的总权重为1，避免亮度异常# 2. 应用滤波：cv2.filter2D(输入图，输出深度（-1表示与输入一致），卷积核)
img_blur = cv2.filter2D(img_rgb, -1, kernel)# 显示对比
plt.subplot(121), plt.imshow(img_rgb), plt.title('Original')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_blur), plt.title('Mean Filter (5x5)')
plt.xticks([]), plt.yticks([])
plt.show()

原理与局限性

• 卷积核大小影响：核越大，平滑效果越强，但边缘模糊越严重（如 3x3 核模糊轻，7x7 核模糊重）。
• 局限性：线性滤波对所有像素一视同仁，会同时模糊噪声和边缘，适合对边缘要求不高的场景。

2. 常用非线性滤波：兼顾去噪与边缘保留

非线性滤波通过像素值的统计特性（如中值、高斯权重）动态调整输出，能在去噪的同时更好地保留边缘，是实际应用中的首选。OpenCV 提供 3 种常用非线性滤波：高斯滤波、中值滤波、双边滤波。

代码实现：4 种滤波效果对比

import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取彩色图像并转换为RGB
img = cv2.imread('ocv01.jpg')
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# 1. 均值滤波（线性，对比用）
blur_mean = cv2.blur(img_rgb, (5, 5))  # 5x5核，等价于filter2D的均值核# 2. 高斯滤波（非线性，基于高斯权重，去高斯噪声优）
blur_gaussian = cv2.GaussianBlur(img_rgb, (5, 5), 0  # 5x5核，sigmaX=0（自动根据核大小计算）
)# 3. 中值滤波（非线性，基于像素中值，去椒盐噪声优）
blur_median = cv2.medianBlur(img_rgb, 5)  # 5x5核（仅需奇数，无权重）# 4. 双边滤波（非线性，去噪+保边缘，效果最优但最慢）
blur_bilateral = cv2.bilateralFilter(img_rgb, 9, 75, 75  # 直径=9，颜色相似度sigma=75，空间相似度sigma=75
)# 显示对比（按需选择一种滤波显示）
plt.subplot(121), plt.imshow(img_rgb), plt.title('Original')
plt.xticks([]), plt.yticks([])
# 替换下方为要对比的滤波结果（如blur_gaussian、blur_median、blur_bilateral）
plt.subplot(122), plt.imshow(blur_bilateral), plt.title('Bilateral Filter')
plt.xticks([]), plt.yticks([])
plt.show()

4 种滤波核心对比

实用参数调整技巧

• 高斯滤波：sigmaX越大，去噪越强但模糊越重；核大小需与sigmaX匹配（如sigmaX=1用 3x3 核，sigmaX=2用 5x5 核）。
• 双边滤波：sigmaColor越大，允许更多颜色差异的像素被平滑；sigmaSpace越大，平滑范围越广；两者需同步调整（如均设为 50-100）。

总结

本文覆盖的图像预处理技术，是计算机视觉的 “地基”，核心应用场景如下：

1. 阈值处理：
   • 光照均匀 → 全局阈值（简单高效）。
   • 光照不均 → 自适应阈值（局部动态调整）。
   • 噪声多 + 直方图双峰 → Otsu 阈值（自动最优，需先去噪）。
2. 滤波去噪：
   • 高斯噪声 → 高斯滤波。
   • 椒盐噪声 → 中值滤波。
   • 需保边缘 → 双边滤波（优先选择，容忍较慢速度）。
   • 快速平滑 → 均值滤波（仅用于临时预览）。

实际项目中，预处理通常是 “滤波→阈值” 的组合流程（如先高斯滤波去噪，再自适应阈值分割），需根据图像特点（噪声类型、光照条件）灵活选择参数，才能达到最佳效果。