OpenCV二值化处理

1.1. 为什么需要二值化操作

二值化操作将灰度图像转换为黑白图像，即将图像中的像素值分为两类：前景（通常为白色，值为 255）和背景（通常为黑色，值为 0）。二值化的主要目的是简化图像，突出目标物体，便于后续的图像分析和处理，如特征提取、目标检测、图像分割等。

1.2. 二值化操作的原理

二值化操作通过设定一个阈值，将图像中的像素值与该阈值进行比较：

如果像素值大于或等于阈值，则将其设为最大值（通常是 255）。
如果像素值小于阈值，则将其设为最小值（通常是 0）。

OpenCV 中常用的二值化方法包括：

全局阈值法：使用一个固定的阈值对整个图像进行二值化。
自动阈值法（OTSU）：适用于双峰直方图的图像，该方法会自动计算一个阈值，使得前景和背景的类间方差最大，从而实现最佳的二值化效果。
自适应阈值法：根据图像的局部区域动态计算阈值，适用于光照不均匀的图像。

1.3. OpenCV 中如何实现二值化操作

1.3.1. 全局阈值法

使用 cv2.threshold() 函数实现全局阈值二值化：

python">import cv2

# 读取图像并转换为灰度图像
img = cv2.imread('example.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 全局阈值二值化
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 显示结果
cv2.imshow('Binary Image', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数说明：

src：输入的灰度图像。
thresh：阈值。
maxval：最大值，通常为 255。
type：二值化类型，如 cv2.THRESH_BINARY。

1.3.2. Otsu 阈值法

使用 cv2.threshold 函数实现 Otsu 阈值法：

Python复制

python">ret, binary = cv2.threshold(src, thresh, maxval, type)

src：输入的灰度图像。
thresh：初始阈值（通常设置为 0，因为 Otsu 方法会自动计算最佳阈值）。
maxval：阈值化后的最大值，通常是 255。
type：阈值化类型，使用 cv2.THRESH_BINARY + cv2.THRESH_OTSU 表示使用 Otsu 方法。
ret：自动计算的阈值。
binary：二值化后的图像。

python"># 读取图像并转换为灰度图像
img = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# 使用 Otsu 方法自动计算阈值
ret, binary_otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

python"># 自适应阈值二值化
binary = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

# 显示结果
cv2.imshow('Adaptive Binary Image', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数说明：

src：输入的灰度图像。
maxValue：最大值，通常为 255。
adaptiveMethod：自适应方法，如 cv2.ADAPTIVE_THRESH_MEAN_C。
thresholdType：二值化类型，如 cv2.THRESH_BINARY。
blockSize：局部窗口大小，必须是奇数。
C：常数偏移值。

1.4. 使用注意事项

图像预处理：在进行二值化之前，通常需要对图像进行预处理，如去噪、灰度转换等。
阈值选择：阈值的选择对二值化结果影响很大，需要根据图像的灰度分布和处理需求来选择合适的阈值。
自适应阈值：对于光照不均匀的图像，自适应阈值法通常比全局阈值法效果更好。
二值化类型：根据具体需求选择合适的二值化类型，如 cv2.THRESH_BINARY、cv2.THRESH_BINARY_INV 等。

1.5. 例子

我们用一个物体表面的裂缝为例子实验：

python">def TestThreshold():

    # 读取图像并转换为灰度图像
    image_path = 'Carck.png'  
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)

    if img is None:
        raise FileNotFoundError(f"图像文件未找到：{image_path}")

    # 方法1：全局阈值法
    # 使用固定阈值进行二值化
    _, binary_global = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

    # 方法2：OTSU 自动阈值法
    # 自动计算阈值
    _, binary_otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 方法3：自适应阈值法
    # 根据局部区域动态计算阈值
    binary_adaptive = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

    # 显示结果
    plt.figure(figsize=(12, 8))
    plt.subplot(2, 2, 1)
    plt.imshow(img, cmap='gray')
    plt.title('Original Image')
    plt.axis('off')

    plt.subplot(2, 2, 2)
    plt.imshow(binary_global, cmap='gray')
    plt.title('Global Thresholding')
    plt.axis('off')

    plt.subplot(2, 2, 3)
    plt.imshow(binary_otsu, cmap='gray')
    plt.title('OTSU Thresholding')
    plt.axis('off')

    plt.subplot(2, 2, 4)
    plt.imshow(binary_adaptive, cmap='gray')
    plt.title('Adaptive Thresholding')
    plt.axis('off')

    plt.tight_layout()
    plt.show()

可以看到全局阈值发和OTSU自动化阈值法效果还可以，自适应阈值法提取效果没有那么好

可以观察到OTSU检查出来的划痕更完整，大家可以修改全局阈值法的值127减少和增大分别会发生什么

python"> # 方法1：全局阈值法
    # 使用固定阈值进行二值化
    _, binary_global = cv2.threshold(img, 140, 255, cv2.THRESH_BINARY) #增大阈值
    _, binary_global = cv2.threshold(img, 120, 255, cv2.THRESH_BINARY) #减少阈值