图像的阈值处理

原创

于 2026-01-17 23:46:17 发布 · 744 阅读

标签

图像阈值处理是数字图像处理中一项基础且强大的技术，它通过设定一个或多个“门槛”灰度值，将图像中的像素分为不同类别或提取图像中的目标物体。如果图像直方图存在明显的边界，很容易找到图像的分割阈值，如果找不到图像的直方图分界，则很难找到合适的阈值。

图像的阈值处理可以简化图像，将复杂的灰度或彩色图像转换为只包含纯黑和纯白的二值图像，极大减少数据量，突出目标轮廓。可以分割目标，将感兴趣的目标（如文字、零件）从背景中分离出来，是后续进行形状分析、目标识别和测量的关键第一步。可以消除噪声，可以有效过滤掉一些不必要的灰度波动或噪声点。

常用的方法有全局阈值法、OUST方法、自适应阈值法、多阈值法、移动平均阈值处理法、HSV颜色空间阈值分割法等等。

1.全局阈值法、OTSU方法、自适应阈值法

# 读取图像并转为灰度图
image = cv2.imread('D:\\photo\\lena.tif', cv2.IMREAD_GRAYSCALE)

# 1. 全局固定阈值处理
 _, thresh_global = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)


# 2. Otsu算法（自动确定最优阈值）
_, thresh_otsu = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 3. 自适应阈值处理（使用高斯加权均值）
thresh_adaptive = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                                         cv2.THRESH_BINARY, 11, 2)

# 使用Matplotlib并排显示结果
images = [image, thresh_global, thresh_otsu, thresh_adaptive]
titles = ['原图', '全局固定阈值 (T=127)', 'Otsu阈值', '自适应阈值']

plt.figure(figsize=(12, 8))
for i in range(4):
    plt.subplot(2, 2, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.axis('off')
plt.tight_layout()
plt.show()

结果如下所示：