总目录：1.1 OpenCV介绍与学习路线　｜　第二章：基础图像处理　｜　编号：2.5

← 上一节：2.4 滤波与降噪　｜　下一节：2.6 形态学处理 →

---

2.5 二值化与阈值

二值化做的事情非常朴素：给每个像素安排一次“站队”，最后只留下前景与背景。轮廓算法不想面对五颜六色的世界，它更喜欢一张边界明确的黑白图。

一、阈值是在做像素分类

以最常见的二值阈值为例：

像素值 > 阈值 → 255（白）
否则          → 0（黑）

阈值不是天然真理。光照、曝光、材质变了，同一个数可能就不合适了。

二、固定阈值 threshold

used_threshold, binary = cv2.threshold(
    gray,
    127,
    255,
    cv2.THRESH_BINARY,
)

参数：

参数	含义
gray	输入图，常见情况是单通道灰度图
127	分类阈值
255	满足条件时写入的最大值
THRESH_BINARY	阈值规则

返回两个值：真正使用的阈值和结果图。普通固定阈值里第一个返回值通常就是传入的 127；使用 Otsu 时它才尤其有用。

五种基础规则

类型	规则概念
THRESH_BINARY	高于阈值变白，其余变黑
THRESH_BINARY_INV	高于阈值变黑，其余变白
THRESH_TRUNC	高于阈值的部分压到阈值
THRESH_TOZERO	低于阈值的部分归零
THRESH_TOZERO_INV	高于阈值的部分归零

做轮廓时最常用前两种。因为 findContours 主要把白色区域当作前景，所以黑色目标落在白背景上时，经常需要 THRESH_BINARY_INV。

三、自适应阈值 adaptiveThreshold

一张纸左边亮、右边暗时，一个全局阈值可能怎么选都难受。自适应阈值会根据每个像素附近的小区域算局部阈值：

binary = cv2.adaptiveThreshold(
    gray,
    255,
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY,
    blockSize=11,
    C=2,
)

• blockSize：邻域大小，必须是大于 1 的奇数；
• C：从局部均值或加权均值里减去的常数；
• MEAN_C：普通邻域均值；
• GAUSSIAN_C：按高斯权重计算邻域均值。

自适应不等于自动完美。块太小会追着纹理跑，块太大又接近全局阈值。

四、Otsu：自动寻找全局阈值

Otsu 会根据灰度直方图选择一个全局阈值，适合前景和背景大致形成两个峰的图像：

used_threshold, binary = cv2.threshold(
    gray,
    0,
    255,
    cv2.THRESH_BINARY + cv2.THRESH_OTSU,
)
print("Otsu threshold:", used_threshold)

噪声会搅乱直方图，常先轻度高斯滤波：

blurred = cv2.GaussianBlur(gray, (5, 5), 0)
_, binary = cv2.threshold(
    blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU
)

五、三种方法怎样选

光照稳定、速度优先       → 固定阈值
同一画面有明显明暗不均   → 自适应阈值
直方图双峰、想自动全局选 → Otsu
按颜色而不是亮度分割     → [HSV + inRange](/notes/OpenCV%E5%85%A5%E9%97%A8/2.7%20HSV%E9%A2%9C%E8%89%B2%E6%A3%80%E6%B5%8B)

调参时别只看最终框

同时显示：

cv2.imshow("Gray", gray)
cv2.imshow("Binary", binary)

若目标在二值图里已经断了、粘了或前景背景反了，后面的轮廓参数救不了它。先把这一层做好，再去调面积阈值。

六、参考

• OpenCV：Image Thresholding

---

← 上一节：2.4 滤波与降噪　｜　下一节：2.6 形态学处理 →