一、图像的二值化操作

图像二值化操作主要是为了分开图像主体与图像背景，大体的思路是设定一个阈值，将大于阈值或者小于阈值的像素点赋给一个新的像素值，提高图像主体与图像背景的对比度。新像素值的分配称为阈值分割，假设分配的新的像素值为255，则阈值分割的方法如下：
THRESH_BINARY:原像素值大于阈值的像素点设为255，小于阈值的设为0。
THRESH_BINARY_INV：原像素值大于阈值的像素点设为0，小于阈值的设为255。
THRESH_TRUNC：原像素值大于阈值的像素点设为该阈值，小于阈值的像素点保持原像素值。
THRESH_TOZERO：原像素值大于阈值的像素点设为0，小于阈值的像素点保持原像素值。
THRESH_TOZERO_INV：原像素值大于阈值的像素点保持原像素值，小于阈值的像素点设为0。
原图的像素分布：
虚线为阈值，实线为图片的像素值分布。
THRESH_BINARY：
THRESH_BINARY_INV：
THRESH_TRUNC：
THRESH_TOZERO：
THRESH_TOZERO_INV：
具体操作如下：

import cv2 as cv
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
cv.imshow("image",image)
ret1,result1 = cv.threshold(image,127,255,cv.THRESH_BINARY)
ret2,result2 = cv.threshold(image,127,255,cv.THRESH_BINARY_INV)
ret3,result3 = cv.threshold(image,127,255,cv.THRESH_TOZERO)
ret4,result4 = cv.threshold(image,127,255,cv.THRESH_TOZERO_INV)
ret5,result5 = cv.threshold(image,127,255,cv.THRESH_TRUNC)
cv.imshow("BINARY",result1)
cv.imshow("BINARY_INV",result2)
cv.imshow("TOZERO",result3)
cv.imshow("TOZERO_INV",result4)
cv.imshow("TRUNC",result5)
cv.waitKey(0)
cv.destroyAllWindows()

OpenCV提供的二值化API为threshold(),
参数解释：
src：输入的图像，此时的图像只能是灰度图；
thresh：阈值；
maxval：小于或大于阈值时被赋予的新值（不一定要255）；
type：指阈值分割的方法。
该函数会返回两个值，一个为阈值，一个为转换后的图片矩阵。
输出：

二、阈值的获取

通过以上的介绍，不难发现阈值的选取关系到二值化的效果好坏，但是在上面的例子中我把所有的阈值都设置为127，这显然局限性很大。对于不同的图片，不同的阈值分割的方法，其最适阈值往往都不同，而像素点众多，人工选取工作量太大，因此我们需要一个算法帮助我们选取一个最适的阈值，这样的算法主要分为两大类，一是全局阈值和自适应阈值。

1.全局阈值

全局阈值是指通过对整张图片的像素点进行像素值分布的统计，以此为参考选择一个对全局影响最大的阈值进行分割，主要有均值法，三角法和OTSU算法。
均值法：

m为阈值，p(i,j)为对应位置的像素值。
均值法实现：

import cv2 as cv
import numpy as np
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
cv.imshow("image",image)
mean = np.mean(image)
mean = np.int(mean)
ret6,result6 = cv.threshold(image,mean,255,cv.THRESH_BINARY)
cv.waitKey(0)
cv.destroyAllWindows()

输出如下：

OTSU：
OTSU算法基于前面讨论过的直方图，在获得直方图后，遍历所有的像素值，将一个像素值作为阈值，阈值将图像的像素值分为两类（即背景和图像主体两类），计算类间方差，再将下一个像素值作为阈值，进行下一次循环，遍历完成后将类间方差最大的像素值作为最适阈值。
OTSU实现：

import cv2 as cv
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
cv.imshow("image",image)
ret7,result7 = cv.threshold(image,0,255,cv.THRESH_BINARY | cv.THRESH_OTSU)
cv.imshow("OTSU",result7)
cv.waitKey(0)
cv.destroyAllWindows()

输出：

三角法：
三角法也是基于直方图，是基于纯几何的方法寻找阈值的方法，假设直方图的最大波峰靠近最亮的一侧，波峰的值记为pmax,对应的像素值即为bmax,在往左找到频数为0第一个像素值记为bmin，连接(bmax,pmax)与(bmin,0)，得到一条直线，记每一个像素值为bi,从bmin开始计算点(bi,0)到该直线的垂直距离，直到bmax，将垂直距离最大的点对应的像素值作为阈值。

当图像直方图波峰出现在靠近暗的一侧时，则直方图翻转，依照上述方法计算出一个像素值，在用255减去这个像素值得到的即是阈值。
三角法实现：

import cv2 as cv
path = "C:\\Users\\27914\\Desktop\\images\\test2.jpg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
cv.imshow("image",image)
ret8,result8 = cv.threshold(image,0,255,cv.THRESH_BINARY|cv.THRESH_TRIANGLE)
cv.imshow("TRIANGLE",result8)
cv.waitKey(0)
cv.destroyAllWindows()

输出：

三角法和OTSU两种方法是全局阈值用得最多的方法，但三角法对于处理直方图有多个波峰的图片效果不佳，所以一般使用OTSU方法比较多。

2.自适应阈值

全局阈值存在一定的缺陷，对于图片的光照不均匀的图片，采用全局阈值容易错误分割，如：
原图：

全局阈值二值化后：

自适应通过对局部进行最适阈值选取弥补了这个缺点，自适应通过确定一个邻域，计算邻域内像素值的中值或均值或高斯加权平均值（高斯滤波）来确定阈值，再通过卷积过程以邻域为单位计算出每一个邻域的最适阈值，达到对整个图像的二值化的目的。
自适应阈值实现：

import cv2 as cv
path = "C:\\Users\\27914\\Desktop\\images\\test10.jpeg"
image = cv.imread(path,cv.IMREAD_GRAYSCALE)
cv.imshow("image",image)
result9 = cv.adaptiveThreshold(image,255,cv.ADAPTIVE_THRESH_GAUSSIAN_C,cv.THRESH_BINARY,5,2)#高斯滤波
result10 = cv.adaptiveThreshold(image,255,cv.ADAPTIVE_THRESH_MEAN_C,cv.THRESH_BINARY,5,2)#均值
cv.imshow("GAUSS",result9)
cv.imshow("MEAN_C",result10)
cv.waitKey(0)
cv.destroyAllWindows()

高斯滤波适应：

均值适应：

OpenCV提供的自适应阈值API为adaptiveThreshold(),
参数解释：
src:输入的图像；
maxValue：赋值的像素值上限；
adaptiveMethod：自适应的方法（仅有均值和高斯滤波两种）；
thresholdType：阈值分割的方法；
blockSize：邻域的大小；
C：偏置项，最终阈值等于求出的平均值或高斯加权平均值加上它。