一.图像阈值化

图像阈值化（Binarization）旨在剔除掉图像中一些低于或高于一定值的像素，从而提取图像中的物体，将图像的背景和噪声区分开来。

灰度化处理后的图像中，每个像素都只有一个灰度值，其大小表示明暗程度。阈值化处理可以将图像中的像素划分为两类颜色，常见的阈值化算法如公式（1）所示：

当某个像素点的灰度Gray(i,j)小于阈值T时，其像素设置为0，表示黑色；当灰度Gray(i,j)大于或等于阈值T时，其像素值为255，表示白色。

在Python的OpenCV库中，提供了固定阈值化函数threshold()和自适应阈值化函数adaptiveThreshold()，将一幅图像进行阈值化处理[3-4]。

二.固定阈值化处理

OpenCV中提供了函数threshold()实现固定阈值化处理，其函数原型如下：

dst = cv2.threshold(src, thresh, maxval, type[, dst])

– src表示输入图像的数组，8位或32位浮点类型的多通道数

– dst表示输出的阈值化处理后的图像，其类型和通道数与src一致

– thresh表示阈值

– maxval表示最大值，当参数阈值类型type选择CV_THRESH_BINARY或CV_THRESH_BINARY_INV时，该参数为阈值类型的最大值

– type表示阈值类型

其中，threshold()函数不同类型的处理算法如表1所示。

其对应的阈值化描述如图1所示：

阈值化处理广泛应用于各行各业，比如生物学中的细胞图分割、交通领域的车牌识别等。通过阈值化处理将所图像转换为黑白两色图，从而为后续的图像识别和图像分割提供更好的支撑作用。下面详细讲解五种阈值化处理算法。

1.二进制阈值化

该函数的原型为 threshold(Gray,127,255,cv2.THRESH_BINARY)。其方法首先要选定一个特定的阈值量，比如127，再按照如下所示的规则进行阈值化处理。

当前像素点的灰度值大于thresh阈值时（如127），其像素点的灰度值设定为最大值（如8位灰度值最大为255）；否则，像素点的灰度值设置为0。如阈值为127时，像素点的灰度值为163，则阈值化设置为255；像素点的灰度值为82，则阈值化设置为0。

二进制阈值化处理的Python代码如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('luo.png')

#灰度图像处理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二进制阈值化处理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图2所示，左边是小珞珞的原图，右边是将原图进行二进制阈值化处理的效果图。像素值大于127的设置为255，小于等于127设置为0。

2.反二进制阈值化

该函数的原型为 threshold(Gray,127,255,cv2.THRESH_BINARY_INV)。其方法首先要选定一个特定的阈值量，比如127，再按照如下所示的规则进行阈值化处理。

当前像素点的灰度值大于thresh阈值时（如127），其像素点的灰度值设定为0；否则，像素点的灰度值设置为最大值。如阈值为127时，像素点的灰度值为211，则阈值化设置为0；像素点的灰度值为101，则阈值化设置为255。

反二进制阈值化处理的Python代码如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('luo.png')

#灰度图像处理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反二进制阈值化处理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY_INV)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图3所示：

3.截断阈值化

该函数的原型为 threshold(Gray,127,255,cv2.THRESH_TRUNC)。图像中大于该阈值的像素点被设定为该阈值，小于或等于该阈值的保持不变，比如127。新的阈值产生规则如下：

比如阈值为127时，像素点的灰度值为167，则阈值化设置为127；像素点的灰度值为82，则阈值化设置为82。截断阈值化处理的Python代码如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('luo.png')

#灰度图像处理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#截断阈值化处理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TRUNC)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图4所示，图像经过截断阈值化处理将灰度值处理于0至127之间。

4.阈值化为0

该函数的原型为 threshold(Gray,127,255,cv2.THRESH_TOZERO)。按照如下公式对图像的灰度值进行处理。

当前像素点的灰度值大于thresh阈值时（如127），其像素点的灰度值保持不变；否则，像素点的灰度值设置为0。如阈值为127时，像素点的灰度值为211，则阈值化设置为211；像素点的灰度值为101，则阈值化设置为0。

图像阈值化为0处理的Python代码如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('luo.png')

#灰度图像处理
grayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#阈值化为0处理
r, b = cv2.threshold(grayImage, 127, 255, cv2.THRESH_TOZERO)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图5所示，该算法把比较亮的部分不变，比较暗的部分处理为0。

5.反阈值化为0

该函数的原型为 threshold(Gray,127,255, cv2.THRESH_TOZERO_INV)。按照如下公式对图像的灰度值进行处理。

当前像素点的灰度值大于thresh阈值时（如127），其像素点的灰度值设置为0；否则，像素点的灰度值保持不变。如阈值为127时，像素点的灰度值为211，则阈值化设置为0；像素点的灰度值为101，则阈值化设置为101。

图像反阈值化为0处理的Python代码如下所示：

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  

#读取图片
src = cv2.imread('luo.png')

#灰度图像处理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二进制阈值化处理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)

#显示图像
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待显示
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如图6所示：

同样，我们在对民族图腾及图像进行识别和保护时，也需要进行图像阈值化处理。下面代码是对比苗族服饰图像五种固定阈值化处理的对比结果。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#读取图像
img=cv2.imread('miao.png')
grayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  

#阈值化处理
ret,thresh1=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY)  
ret,thresh2=cv2.threshold(grayImage,127,255,cv2.THRESH_BINARY_INV)  
ret,thresh3=cv2.threshold(grayImage,127,255,cv2.THRESH_TRUNC)  
ret,thresh4=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO)  
ret,thresh5=cv2.threshold(grayImage,127,255,cv2.THRESH_TOZERO_INV)

#显示结果
titles = ['Gray Image','BINARY','BINARY_INV','TRUNC',
'TOZERO','TOZERO_INV']  
images = [grayImage, thresh1, thresh2, thresh3, thresh4, thresh5]  
for i in range(6):  
   plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

输出结果如图7所示：

三.自适应阈值化处理

前面讲解的是固定值阈值化处理方法，而当同一幅图像上的不同部分具有不同亮度时，上述方法就不在适用。此时需要采用自适应阈值化处理方法，根据图像上的每一个小区域，计算与其对应的阈值，从而使得同一幅图像上的不同区域采用不同的阈值，在亮度不同的情况下得到更好的结果。

自适应阈值化处理在OpenCV中调用cv2.adaptiveThreshold()函数实现，其原型如下所示：

dst = adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C[, dst])

– src表示输入图像

– dst表示输出的阈值化处理后的图像，其类型和尺寸需与src一致

– maxValue表示给像素赋的满足条件的最大值

– adaptiveMethod表示要适用的自适应阈值算法，常见取值包括ADAPTIVE_THRESH_MEAN_C（阈值取邻域的平均值） 或 ADAPTIVE_THRESH_GAUSSIAN_C（阈值取自邻域的加权和平均值，权重分布为一个高斯函数分布）

– thresholdType表示阈值类型，取值必须为THRESH_BINARY或THRESH_BINARY_INV

– blockSize表示计算阈值的像素邻域大小，取值为3、5、7等

– C表示一个常数，阈值等于平均值或者加权平均值减去这个常数

当阈值类型thresholdType为THRESH_BINARY时，其灰度图像转换为阈值化图像的计算公式如下所示：

当阈值类型thresholdType为THRESH_BINARY_INV时，其灰度图像转换为阈值化图像的计算公式如下所示：

其中，dst(x,y)表示阈值化处理后的灰度值，T(x,y)表示计算每个单独像素的阈值，其取值如下：

当adaptiveMethod参数采用ADAPTIVE_THRESH_MEAN_C时，阈值T(x,y)为blockSize×blockSize邻域内（x，y）减去参数C的平均值。

当adaptiveMethod参数采用ADAPTIVE_THRESH_GAUSSIAN_C时，阈值T(x,y)为blockSize×blockSize邻域内（x，y）减去参数C与高斯窗交叉相关的加权总和。
下面的代码是对比固定值阈值化与自适应阈值化处理的方法。

# -*- coding: utf-8 -*-
# By：Eastmount
import cv2  
import numpy as np  
import matplotlib.pyplot as plt
import matplotlib

#读取图像
img = cv2.imread('miao.png')

#图像灰度化处理
grayImage = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  

#固定值阈值化处理
r, thresh1 = cv2.threshold(grayImage, 127, 255, cv2.THRESH_BINARY)  

#自适应阈值化处理 方法一
thresh2 = cv2.adaptiveThreshold(grayImage, 255, 
cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

#自适应阈值化处理 方法二
thresh3 = cv2.adaptiveThreshold(grayImage, 255, 
cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

#设置字体
matplotlib.rcParams['font.sans-serif']=['SimHei']

#显示图像
titles = ['灰度图像', '全局阈值', '自适应平均阈值', '自适应高斯阈值']
images = [grayImage, thresh1, thresh2, thresh3]
for i in range(4):
   plt.subplot(2, 2, i+1), plt.imshow(images[i], 'gray')
   plt.title(titles[i])
   plt.xticks([]),plt.yticks([])
plt.show()

输出结果如图8所示，左上角为灰度化处理图像；右上角为固定值全局阈值化处理图像（cv2.threshold）；左下角为自适应邻域平均值分割，噪声较多；右下角为自适应邻域加权平均值分割，采用高斯函数分布，其效果相对较好。

四.总结