OpenCV的阈值处理
如果你用过手机的 “文档扫描” 功能，或是处理过老照片的 “去灰”，可能没意识到 —— 这些操作的核心，其实是阈值处理。作为 OpenCV 中最基础也最实用的图像预处理技术，阈值处理能快速将灰度图像转化为 “黑白二值图”，帮我们从复杂背景中提取关键信息（比如文字、物体轮廓）。
一、先搞懂：什么是阈值处理？
简单说，阈值处理是给图像的像素值设定一个 “门槛”（阈值），然后根据像素值与门槛的大小关系，把像素归为两类（比如黑色和白色）。
举个生活化的例子：我们把一张灰度图的像素值看作 “学生的考试分数”（0-255 分，0 是纯黑，255 是纯白），阈值就是 “及格线”（比如 127 分）。那么：
分数≥127 分（像素值≥阈值）：归为 “及格”，像素设为纯白（255）；
分数 <127 分（像素值 < 阈值）：归为 “不及格”，像素设为纯黑（0）；
经过这样的处理，原本 “灰蒙蒙” 的灰度图，就变成了 “非黑即白” 的二值图 —— 这就是最基础的阈值处理（二值化）。
为什么要做阈值处理？因为它能消除背景干扰，突出目标区域：比如处理文档照片时，把 “纸的浅色背景” 设为白，“文字的深色” 设为黑，后续就能轻松提取文字内容；处理工业质检图像时，用阈值分离 “零件的正常区域” 和 “缺陷区域”。
二、OpenCV 阈值处理核心：cv2.threshold () 函数
OpenCV 中实现固定阈值处理的核心函数是 cv2.threshold()，它能根据我们设定的 “阈值” 和 “处理类型”，快速输出处理后的图像。先记住它的基本用法：
1. 函数语法与参数
ret, dst = cv2.threshold(src, thresh, maxval, type)
参数解释（新手必看，少一个都不行）：
src：输入图像，必须是单通道灰度图（不能直接用彩色图！）；
thresh：我们设定的阈值（比如 127，0-255 之间的整数）；
maxval：当像素值满足 “超过阈值” 的条件时，赋予的新像素值（通常设为 255，即纯白）；
type：阈值处理的类型（关键！决定了 “像素值与阈值比较后怎么处理”）；
返回值：
ret：实际使用的阈值（如果用了自动阈值算法如 Otsu，会返回计算出的最佳阈值）；
dst：处理后的输出图像。
2. 5 种常用阈值类型（重点！）
type 参数决定了阈值处理的效果，OpenCV 提供了 5 种最常用的类型，我们用 “灰度图（像素值 0-255）”+“阈值 127”+“maxval=255” 来举例，直观理解每种类型的差异：
| 类型常量 | 中文名称 | 处理逻辑（像素值 p 与阈值 thresh=127 比较） | 适用场景 |
|---|---|---|---|
cv2.THRESH_BINARY | 二值化 | p ≥ 127 → 255（白）；p < 127 → 0（黑） | 文档文字提取、物体轮廓分割 |
cv2.THRESH_BINARY_INV | 反二值化 | p ≥ 127 → 0（黑）；p < 127 → 255（白） | 提取浅色背景中的深色目标 |
cv2.THRESH_TRUNC | 截断 | p ≥ 127 → 127（固定为阈值）；p < 127 → 不变 | 降低图像亮度，保留暗部细节 |
cv2.THRESH_TOZERO | 低于阈值置零 | p ≥ 127 → 不变；p < 127 → 0（黑） | 突出亮部目标，消除暗部干扰 |
cv2.THRESH_TOZERO_INV | 高于阈值置零 | p ≥ 127 → 0（黑）；p < 127 → 不变 | 突出暗部目标，消除亮部干扰 |
一句话总结：想 “非黑即白” 用BINARY或BINARY_INV；想 “保留部分亮度” 用TRUNC；想 “只留亮部 / 暗部” 用TOZERO或TOZERO_INV。
3. 实战：5 种阈值类型效果对比
光看表格不够直观，我们用一张 “带文字的灰度图” 做实验，代码可直接复制运行（需要先安装 OpenCV：pip install opencv-python）：
import cv2
import matplotlib.pyplot as plt# 1. 读取图像（必须转灰度图！）
img = cv2.imread("document.jpg") # 替换成你的图像路径
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 彩色图转灰度图# 2. 定义5种阈值类型
threshold_types = [cv2.THRESH_BINARY,cv2.THRESH_BINARY_INV,cv2.THRESH_TRUNC,cv2.THRESH_TOZERO,cv2.THRESH_TOZERO_INV
]
type_names = ["BINARY", "BINARY_INV", "TRUNC", "TOZERO", "TOZERO_INV"]# 3. 循环处理并显示结果
plt.figure(figsize=(15, 5)) # 设置画布大小
for i, (type_val, type_name) in enumerate(zip(threshold_types, type_names)):ret, dst = cv2.threshold(gray, thresh=127, maxval=255, type=type_val)# 显示图像（matplotlib默认RGB，OpenCV默认BGR，灰度图无需转换）plt.subplot(1, 5, i+1)plt.imshow(dst, cmap="gray")plt.title(f"THRESH_{type_name}")plt.axis("off") # 隐藏坐标轴plt.show()
运行后你会发现：
BINARY 能把 “黑色文字” 变成 “黑色，背景变白”，最适合文档扫描；
BINARY_INV 会把 “文字变白色，背景变黑”，适合提取深色背景中的文字；
TRUNC 会把 “亮于 127 的区域压暗到 127”，图像整体偏灰；
三、进阶：自适应阈值处理（解决光照不均匀问题）
固定阈值（比如 127）有个大问题：如果图像光照不均匀（比如一边亮、一边暗），用固定阈值处理会导致 “亮的地方目标丢失，暗的地方背景残留”。
比如一张 “左边光照强、右边光照弱的文档图”：用固定阈值 127 处理，左边的文字会因为 “像素值超过 127” 被变成白色（消失），右边的背景会因为 “像素值低于 127” 被变成黑色（残留）。
这时候，自适应阈值处理就派上用场了 —— 它不使用 “全局固定阈值”，而是根据每个像素周围的局部区域亮度，动态计算该像素的阈值。
1. 核心函数：cv2.adaptiveThreshold ()
dst = cv2.adaptiveThreshold(src, maxval, adaptiveMethod, thresholdType, blockSize, C)
关键参数解释（比固定阈值多了 3 个参数）：
adaptiveMethod：计算局部阈值的方法（两种选择）：
cv2.ADAPTIVE_THRESH_MEAN_C：局部阈值 = 局部区域的均值 - C；cv2.ADAPTIVE_THRESH_GAUSSIAN_C：局部阈值 = 局部区域的高斯加权均值 - C；（效果更好，推荐用）
blockSize：局部区域的大小（必须是奇数，比如 3、5、7... 表示 “以当前像素为中心，取 3×3 或 5×5 的区域计算阈值”）；
C：从局部均值 / 高斯均值中减去的常数（用来调整阈值的偏移量，通常设为 2-10 之间的整数，值越大，阈值越低，目标越容易被保留）；
其他参数（src、maxval、thresholdType）和固定阈值一致。
2. 实战：自适应阈值 vs 固定阈值
我们用 “光照不均匀的文档图” 做对比实验，看自适应阈值的优势：
import cv2
import matplotlib.pyplot as plt# 1. 读取图像并转灰度图
img = cv2.imread("uneven_light_document.jpg") # 光照不均匀的文档图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 2. 固定阈值处理（对比组）
ret_fixed, fixed_dst = cv2.threshold(gray, thresh=127, maxval=255, type=cv2.THRESH_BINARY)# 3. 自适应阈值处理（实验组）
# 用高斯加权均值计算局部阈值，局部区域5×5，C=5
adaptive_dst = cv2.adaptiveThreshold(gray, maxval=255, adaptiveMethod=cv2.ADAPTIVE_THRESH_GAUSSIAN_C, thresholdType=cv2.THRESH_BINARY, blockSize=5, C=5
)# 4. 显示对比结果
plt.figure(figsize=(12, 6))
# 原图
plt.subplot(1, 3, 1)
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # 转RGB显示彩色图
plt.title("Original Image")
plt.axis("off")
# 固定阈值
plt.subplot(1, 3, 2)
plt.imshow(fixed_dst, cmap="gray")
plt.title("Fixed Threshold (127)")
plt.axis("off")
# 自适应阈值
plt.subplot(1, 3, 3)
plt.imshow(adaptive_dst, cmap="gray")
plt.title("Adaptive Threshold (Gaussian)")
plt.axis("off")plt.show()
运行后你会明显看到：
固定阈值处理的图像，光照强的区域文字丢失，光照弱的区域有背景噪点；
自适应阈值处理的图像，无论光照强弱，文字都清晰保留，背景干净 —— 这就是它的核心优势！
四、实用技巧：让阈值处理效果更好的 3 个关键
先转灰度图，再去噪
阈值处理只对单通道灰度图有效，所以第一步必须用cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)转灰度。另外，图像中的噪声会干扰阈值判断（比如小噪点会被误判为目标），建议处理前用高斯模糊去噪：gray_blur = cv2.GaussianBlur(gray, ksize=(5, 5), sigmaX=0) # 5×5高斯核去噪用 Otsu 自动选阈值（固定阈值的优化）
如果不知道该设多少阈值（比如 127 还是 150），可以在cv2.threshold()的type参数中加cv2.THRESH_OTSU，让算法自动计算最佳阈值：# 自动计算最佳阈值，ret就是Otsu算出的阈值 ret_otsu, otsu_dst = cv2.threshold(gray_blur, thresh=0, maxval=255, type=cv2.THRESH_BINARY + cv2.THRESH_OTSU) print(f"Otsu自动计算的阈值：{ret_otsu}") # 比如输出135，比手动设127更合适注意：Otsu 只适用于 “目标和背景灰度差异明显” 的图像（比如清晰的文档）。
调整 blockSize 和 C（自适应阈值的关键）
blockSize：局部区域越小（如 3×3），阈值对局部光照越敏感，但可能引入噪点；区域越大（如 11×11），抗噪能力越强，但细节可能模糊。建议从 5×5 或 7×7 开始试。C：值越大，阈值越低，目标区域越容易被保留（但可能保留背景）；值越小，阈值越高，背景越干净（但可能丢失目标细节）。建议从 2-5 开始试。