什么是图像二值化？¶
图像二值化是将图像中的像素点根据阈值分为两类（通常是黑色和白色），使图像仅保留黑白两种颜色的处理过程。例如，一张照片经过二值化后，可能只剩下“文字”和“背景”的黑白对比，这种简化能极大降低后续图像分析的复杂度，常用于文字识别、形状检测等场景。
为什么需要二值化？¶
- 简化图像：去除中间灰度，只保留黑白信息，减少计算量。
- 突出特征：让目标区域（如文字、物体轮廓）与背景形成强烈对比，便于后续处理（如边缘检测、形状识别）。
准备工作：安装与导入库¶
首先确保已安装OpenCV和NumPy库：
pip install opencv-python numpy
导入所需库：
import cv2
import numpy as np
核心步骤：图像二值化的实现¶
二值化处理的核心是cv2.threshold()函数，语法如下：
ret, thresh = cv2.threshold(gray, thresh_value, max_value, threshold_type)
gray：输入图像（必须是灰度图）。thresh_value：手动设定的阈值（0-255）。max_value：超过阈值后像素的赋值（通常为255，即白色）。threshold_type：阈值类型（如二值化、反二值化等）。- 返回值：
ret为实际使用的阈值，thresh为处理后的二值化图像。
常用阈值类型及效果¶
threshold_type参数决定了像素的分类规则，常见类型如下：
1. cv2.THRESH_BINARY：
像素值 > 阈值 → 白色（255）；否则 → 黑色（0）。
公式：thresh = 255 if pixel > thresh_value else 0
-
cv2.THRESH_BINARY_INV：
像素值 > 阈值 → 黑色（0）；否则 → 白色（255）。
公式：thresh = 0 if pixel > thresh_value else 255 -
cv2.THRESH_OTSU：
自动计算最优阈值（无需手动设定thresh_value），适用于背景与目标亮度差异大的图像。需与其他类型结合使用（如THRESH_BINARY + THRESH_OTSU）。
代码实战：从图像读取到二值化¶
以一张简单的灰度图为例（若没有图像，可用手机拍摄一张黑白对比明显的图片，如硬币、文字等）：
# 1. 读取图像并转为灰度图
img = cv2.imread("test.jpg") # 替换为你的图像路径（如"coin.jpg"）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转为灰度图（OpenCV默认读取BGR格式）
# 2. 手动阈值二值化（阈值设为127）
ret, thresh_binary = cv2.threshold(
gray,
thresh_value=127, # 手动阈值（可根据图像调整）
max_value=255,
threshold_type=cv2.THRESH_BINARY # 二值化类型
)
# 3. Otsu自动阈值二值化（无需手动设阈值）
ret_otsu, thresh_otsu = cv2.threshold(
gray,
thresh_value=0, # 设为0时，Otsu自动计算阈值
max_value=255,
threshold_type=cv2.THRESH_BINARY + cv2.THRESH_OTSU # 结合Otsu算法
)
# 4. 显示结果（用matplotlib更直观）
import matplotlib.pyplot as plt
plt.figure(figsize=(12, 4))
plt.subplot(131), plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)), plt.title("原图")
plt.subplot(132), plt.imshow(thresh_binary, cmap="gray"), plt.title("手动阈值（127）")
plt.subplot(133), plt.imshow(thresh_otsu, cmap="gray"), plt.title("Otsu自动阈值")
plt.show()
关键细节：阈值的选择¶
- 手动阈值：若图像亮度均匀，可尝试
thresh_value=127（默认中间值），但需根据图像调整（如暗图像可能设为50，亮图像设为200）。 - Otsu自动阈值：无需手动调参，适合背景与目标对比度高的场景（如文字、证件照）。
扩展：自适应阈值（处理光照不均）¶
若图像中不同区域亮度差异大（如光照不均的照片），全局阈值效果差，需用自适应阈值：
thresh_adaptive = cv2.adaptiveThreshold(
gray,
max_value=255,
adaptive_method=cv2.ADAPTIVE_THRESH_MEAN_C, # 邻域均值作为阈值
threshold_type=cv2.THRESH_BINARY,
block_size=11, # 邻域大小（必须为奇数，如11、15）
C=2 # 邻域均值减去2作为最终阈值
)
总结¶
图像二值化是图像处理的基础操作，通过cv2.threshold()可快速实现。关键步骤是：
1. 读取图像并转灰度；
2. 选择阈值类型（手动/Otsu/自适应）；
3. 应用二值化并显示结果。
掌握二值化后，可进一步用于边缘检测、文字识别、目标分割等更复杂的计算机视觉任务。
课后练习：尝试用不同阈值类型处理同一张图像，观察效果差异；用Otsu方法处理一张光照不均的照片，对比手动阈值的结果。