首页
/ OpenCV图像阈值处理技术详解:从基础到Otsu算法

OpenCV图像阈值处理技术详解:从基础到Otsu算法

2025-06-04 09:24:15作者:董宙帆

前言

图像阈值处理是计算机视觉中最基础也是最重要的预处理技术之一。通过将灰度图像转换为二值图像,我们可以简化后续的图像分析过程。本文将深入探讨OpenCV中的各种阈值处理方法,帮助读者掌握这一关键技术。

一、简单阈值处理

简单阈值处理是最基础的二值化方法,其核心思想是:对于图像中的每个像素,如果其值大于阈值,则赋予一个新值(通常是白色),否则赋予另一个值(通常是黑色)。

1.1 阈值处理类型

OpenCV提供了五种基本的阈值处理类型:

  1. THRESH_BINARY:标准二值化

    • 公式:dst(x,y) = maxVal if src(x,y)>thresh else 0
  2. THRESH_BINARY_INV:反向二值化

    • 公式:dst(x,y) = 0 if src(x,y)>thresh else maxVal
  3. THRESH_TRUNC:截断处理

    • 公式:dst(x,y) = threshold if src(x,y)>thresh else src(x,y)
  4. THRESH_TOZERO:低于阈值归零

    • 公式:dst(x,y) = src(x,y) if src(x,y)>thresh else 0
  5. THRESH_TOZERO_INV:高于阈值归零

    • 公式:dst(x,y) = 0 if src(x,y)>thresh else src(x,y)

1.2 代码实现示例

import cv2
import numpy as np
from matplotlib import pyplot as plt

# 读取图像并转换为灰度
img = cv2.imread('images/test.png', 0)

# 应用不同阈值处理方法
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

# 可视化结果
titles = ['原图', '标准二值化', '反向二值化', '截断处理', '低于阈值归零', '高于阈值归零']
images = [img, thresh1, thresh2, thresh3, thresh4, thresh5]

plt.figure(figsize=(12, 8))
for i in range(6):
    plt.subplot(2, 3, i+1)
    plt.imshow(images[i], 'gray')
    plt.title(titles[i])
    plt.axis('off')
plt.show()

二、自适应阈值处理

当图像不同区域光照条件不均匀时,全局阈值处理效果往往不佳。自适应阈值处理通过为图像的不同区域计算不同的阈值来解决这个问题。

2.1 自适应方法

OpenCV提供两种自适应阈值计算方法:

  1. ADAPTIVE_THRESH_MEAN_C:阈值取邻域均值

    • 计算邻域窗口内像素的平均值作为阈值
  2. ADAPTIVE_THRESH_GAUSSIAN_C:阈值取邻域加权均值

    • 计算邻域窗口内像素的高斯加权和作为阈值

2.2 参数说明

  • blockSize:邻域大小(必须为奇数)
  • C:从计算出的阈值中减去的常数(用于微调)

2.3 代码实现

img = cv2.imread('images/test.jpg', 0)
img = cv2.medianBlur(img, 5)  # 中值滤波去噪

# 全局阈值处理
ret, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 自适应阈值处理
th2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                           cv2.THRESH_BINARY, 11, 2)
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                           cv2.THRESH_BINARY, 11, 2)

# 可视化比较
titles = ['原图', '全局阈值(v=127)', '自适应均值阈值', '自适应高斯阈值']
images = [img, th1, th2, th3]

plt.figure(figsize=(10, 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.show()

三、Otsu二值化算法

Otsu算法是一种自动确定最佳阈值的算法,特别适用于双峰图像(即图像直方图有两个明显峰值的情况)。

3.1 算法原理

Otsu算法通过最小化类内方差来寻找最佳阈值。具体步骤:

  1. 计算图像直方图并归一化
  2. 遍历所有可能的阈值t
  3. 计算以t为阈值分割的两类像素的类内方差
  4. 选择使类内方差最小的t作为最佳阈值

3.2 OpenCV实现

img = cv2.imread('images/test.png', 0)

# 全局阈值处理
ret1, th1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 直接Otsu处理
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 高斯滤波后Otsu处理
blur = cv2.GaussianBlur(img, (5, 5), 0)
ret3, th3 = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 可视化比较
images = [img, 0, th1,
          img, 0, th2,
          blur, 0, th3]
titles = ['原图(含噪)', '直方图', '全局阈值(v=127)',
          '原图(含噪)', '直方图', "Otsu阈值",
          '高斯滤波后', '直方图', "Otsu阈值"]

plt.figure(figsize=(12, 12))
for i in range(3):
    plt.subplot(3, 3, i*3+1), plt.imshow(images[i*3], 'gray')
    plt.title(titles[i*3]), plt.axis('off')
    plt.subplot(3, 3, i*3+2), plt.hist(images[i*3].ravel(), 256)
    plt.title(titles[i*3+1]), plt.axis('off')
    plt.subplot(3, 3, i*3+3), plt.imshow(images[i*3+2], 'gray')
    plt.title(titles[i*3+2]), plt.axis('off')
plt.show()

3.3 手动实现Otsu算法

为了深入理解Otsu算法,我们可以手动实现其核心逻辑:

def otsu_threshold(img):
    # 计算归一化直方图
    hist = cv2.calcHist([img], [0], None, [256], [0, 256])
    hist_norm = hist.ravel() / hist.sum()
    
    # 计算累积分布函数
    Q = hist_norm.cumsum()
    
    bins = np.arange(256)
    
    fn_min = np.inf
    optimal_thresh = -1
    
    for t in range(1, 256):
        # 分割两类
        p1, p2 = np.hsplit(hist_norm, [t])
        q1, q2 = Q[t], Q[255] - Q[t]
        
        if q1 < 1.e-6 or q2 < 1.e-6:
            continue
            
        # 计算类均值
        b1, b2 = np.hsplit(bins, [t])
        m1 = np.sum(p1 * b1) / q1
        m2 = np.sum(p2 * b2) / q2
        
        # 计算类方差
        v1 = np.sum(((b1 - m1)**2) * p1) / q1
        v2 = np.sum(((b2 - m2)**2) * p2) / q2
        
        # 计算目标函数
        fn = v1 * q1 + v2 * q2
        
        if fn < fn_min:
            fn_min = fn
            optimal_thresh = t
            
    return optimal_thresh

四、应用场景与选择建议

  1. 简单阈值处理:适用于光照均匀、对比度高的图像
  2. 自适应阈值处理:适用于光照不均匀的图像,如文档扫描、车牌识别等
  3. Otsu算法:适用于双峰直方图的图像,在不知道合适阈值时特别有用

五、性能优化建议

  1. 对于大图像,可以先进行降采样处理
  2. 结合高斯滤波等预处理可以提高阈值处理效果
  3. 自适应阈值处理的blockSize应根据目标大小选择

结语

本文详细介绍了OpenCV中的各种图像阈值处理技术,从基础的全局阈值到自适应阈值,再到Otsu自动阈值算法。掌握这些技术将为后续的图像分割、特征提取等高级计算机视觉任务奠定坚实基础。建议读者在实际项目中根据具体需求选择合适的阈值处理方法,并尝试调整参数以获得最佳效果。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
149
1.95 K
kernelkernel
deepin linux kernel
C
22
6
openHiTLSopenHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
980
395
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
C++
192
274
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
931
555
openGauss-serveropenGauss-server
openGauss kernel ~ openGauss is an open source relational database management system
C++
145
190
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0
金融AI编程实战金融AI编程实战
为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
75
66
openHiTLS-examplesopenHiTLS-examples
本仓将为广大高校开发者提供开源实践和创新开发平台,收集和展示openHiTLS示例代码及创新应用,欢迎大家投稿,让全世界看到您的精巧密码实现设计,也让更多人通过您的优秀成果,理解、喜爱上密码技术。
C
65
518
CangjieCommunityCangjieCommunity
为仓颉编程语言开发者打造活跃、开放、高质量的社区环境
Markdown
1.11 K
0