入门OpenCV：图像阈值处理

基本概念

图像阈值是一种简单、高效的图像分割方法，目的是将图像转换成二值图像。这个过程涉及比较像素值和阈值，根据比较结果来确定每个像素点的状态（前景或背景）。图像阈值在处理二维码、文本识别、物体跟踪等领域中非常有用。本博客旨在简介OpenCV中的阈值处理方法，并提供实现代码，适合初学者学习。

理论介绍：

1. 阈值类型：

二进制阈值：如果像素值高于阈值，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）。
反二进制阈值：与二进制阈值相反，如果像素值高于阈值，则赋予黑色，否则赋予白色。
截断阈值：如果像素值高于阈值，就赋予阈值，否则保持不变。
阈值化为零：如果像素值高于阈值，则保持不变，否则赋予零。
反阈值化为零：与阈值化为零相反，如果像素值高于阈值，则赋予零，否则保持不变。

2. 自适应阈值：

在不同区域的光照条件不一致的情况下，自适应阈值可以更好地处理图像，它会基于图像上的小区域（邻域）而不是整个图像来计算阈值。

示意图

在这里插入图片描述
放大了看看：

把关键的几个放大看看：
在这里插入图片描述

程序展示

Python程序

# -*- coding: utf-8 -*-
"""
Created on Sat Feb 17 21:26:05 2024@author: 李立宗公众号：计算机视觉之光知识星球：计算机视觉之光"""import cv2# 读取图像
image = cv2.imread('lena.bmp', cv2.IMREAD_GRAYSCALE)# 应用全局阈值处理
ret, binary_thresh = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)# 应用自适应阈值处理
adaptive_thresh = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)# 显示原始图像，全局阈值处理结果和自适应阈值处理结果
cv2.imshow('Original Image', image)
cv2.imshow('Binary Threshold', binary_thresh)
cv2.imshow('Adaptive Threshold', adaptive_thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()