Python OpenCV 图像处理：阈值分割详解与实战

在机器视觉开发中阈值分割Thresholding是最基础且应用最广泛的图像处理方法之一。它能够快速将目标区域与背景分离是字符识别、缺陷检测、尺寸测量等场景中的核心预处理步骤。本文将深入解析阈值分割的原理介绍 OpenCV 中常见的几种阈值类型并提供完整的 Python 代码示例。一、什么是阈值分割阈值分割的核心原理非常直观对于图像中的每一个像素根据其灰度值与预设阈值的关系将其映射为新的灰度值。基本规则若像素灰度值大于阈值 → 设为白色255否则 → 设为黑色0。原理示例假设原始灰度图像如下20 60 120 90 180 250 30 160 210设定阈值thresh 100处理后得到的二值图像为0 0 255 0 255 255 0 255 255通过这种方式我们可以得到一幅黑白分明的二值图像从而简化后续的特征提取工作。二、固定阈值分割OpenCV 提供了cv2.threshold()函数用于执行固定阈值分割。函数定义retval,dstcv2.threshold(src,thresh,maxval,type)参数说明参数名描述src输入图像必须为单通道灰度图。thresh阈值大小。maxval满足条件时赋予像素的最大值通常设为 255。type阈值类型决定具体的映射规则。基础代码示例importcv2# 读取图片并转为灰度图imgcv2.imread(test.png,0)# 执行固定阈值分割# 灰度 120 的像素变为 255其余变为 0_,binarycv2.threshold(img,120,255,cv2.THRESH_BINARY)cv2.imshow(Binary Image,binary)cv2.waitKey(0)cv2.destroyAllWindows()三、常见阈值类型详解OpenCV 主要支持五种阈值类型适用于不同的应用场景1. cv2.THRESH_BINARY二值化规则s r c ( x , y ) t h r e s h → d s t ( x , y ) m a x v a l s r c ( x , y ) ≤ t h r e s h → d s t ( x , y ) 0 src(x,y) thresh \rightarrow dst(x,y) maxval \\ src(x,y) \leq thresh \rightarrow dst(x,y) 0src(x,y)thresh→dst(x,y)maxvalsrc(x,y)≤thresh→dst(x,y)0适用场景提取亮色目标。2. cv2.THRESH_BINARY_INV反二值化规则s r c ( x , y ) t h r e s h → d s t ( x , y ) 0 s r c ( x , y ) ≤ t h r e s h → d s t ( x , y ) m a x v a l src(x,y) thresh \rightarrow dst(x,y) 0 \\ src(x,y) \leq thresh \rightarrow dst(x,y) maxvalsrc(x,y)thresh→dst(x,y)0src(x,y)≤thresh→dst(x,y)maxval适用场景提取暗色目标如黑字白底。3. cv2.THRESH_TRUNC截断/截尾规则s r c ( x , y ) t h r e s h → d s t ( x , y ) t h r e s h s r c ( x , y ) ≤ t h r e s h → d s t ( x , y ) s r c ( x , y ) src(x,y) thresh \rightarrow dst(x,y) thresh \\ src(x,y) \leq thresh \rightarrow dst(x,y) src(x,y)src(x,y)thresh→dst(x,y)threshsrc(x,y)≤thresh→dst(x,y)src(x,y)效果将所有高于阈值的像素“截断”至阈值水平低于阈值的保持不变。示例原图[50, 100, 180, 220](阈值120)结果[50, 100, 120, 120]4. cv2.THRESH_TOZERO零阈值规则s r c ( x , y ) t h r e s h → d s t ( x , y ) s r c ( x , y ) s r c ( x , y ) ≤ t h r e s h → d s t ( x , y ) 0 src(x,y) thresh \rightarrow dst(x,y) src(x,y) \\ src(x,y) \leq thresh \rightarrow dst(x,y) 0src(x,y)thresh→dst(x,y)src(x,y)src(x,y)≤thresh→dst(x,y)0效果保留高亮部分将低亮度部分置黑。5. cv2.THRESH_TOZERO_INV反零阈值规则s r c ( x , y ) t h r e s h → d s t ( x , y ) 0 s r c ( x , y ) ≤ t h r e s h → d s t ( x , y ) s r c ( x , y ) src(x,y) thresh \rightarrow dst(x,y) 0 \\ src(x,y) \leq thresh \rightarrow dst(x,y) src(x,y)src(x,y)thresh→dst(x,y)0src(x,y)≤thresh→dst(x,y)src(x,y)效果保留低亮度部分将高亮度部分置黑。四、实际案例提取白色目标在工业视觉中除了使用cv2.threshold()我们更常使用cv2.inRange()进行范围筛选。这种方法在处理颜色或特定灰度区间时更加灵活。代码示例importcv2# 读取彩色图像imgcv2.imread(label.png)# 转换为灰度图graycv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 使用 inRange 提取灰度值在 [120, 255] 之间的像素# 这本质上也是一种基于范围的阈值分割maskcv2.inRange(gray,120,255)cv2.imshow(Mask,mask)cv2.waitKey(0)cv2.destroyAllWindows()注意cv2.inRange返回的是掩膜Mask其中符合条件的像素为 255不符合的为 0。它在处理非均匀光照或颜色分割时往往比简单的全局阈值更有效。五、寻找目标轮廓阈值分割完成后通常需要进行轮廓提取以定位目标位置。核心函数contours,hierarchycv2.findContours(image,# 二值图像或掩膜mode,# 轮廓检索模式method# 轮廓近似方法)绘制轮廓# 复制原图用于绘制drawimg.copy()# 查找外部轮廓contours,_cv2.findContours(mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 绘制所有轮廓绿色线宽2cv2.drawContours(draw,contours,-1,(0,255,0),2)cv2.imshow(Result,draw)cv2.waitKey(0)cv2.destroyAllWindows()后续分析指标获得轮廓后可以进一步计算以下几何特征广泛应用于质量检测面积 (Area)判断目标大小。长宽比 (Aspect Ratio)筛选形状异常的目标。外接矩形 (Bounding Rect)获取目标边界框。圆度 (Circularity)判断是否为圆形缺陷。中心点 旋转角度用于定位和对齐。六、完整实战示例以下代码整合了从读取、预处理、阈值分割到轮廓检测及可视化的完整流程并增加了面积过滤以去除噪声。importcv2defprocess_image(image_path):# 1. 读取图片imgcv2.imread(image_path)ifimgisNone:print(Error: Could not read image.)return# 2. 转换为灰度图graycv2.cvtColor(img,cv2.COLOR_BGR2GRAY)# 3. 阈值分割 (提取高亮区域)# 这里使用 inRange 提取灰度值 120 的部分maskcv2.inRange(gray,120,255)# 4. 查找轮廓# RETR_EXTERNAL: 只检测最外层轮廓# CHAIN_APPROX_SIMPLE: 压缩水平和垂直分量只保留端点contours,_cv2.findContours(mask,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 5. 处理并绘制有效轮廓resultimg.copy()forcntincontours:# 计算轮廓面积areacv2.contourArea(cnt)# 过滤掉面积过小的噪声点ifarea500:continue# 获取外接矩形x,y,w,hcv2.boundingRect(cnt)# 在原图上绘制矩形框cv2.rectangle(result,(x,y),(xw,yh),(0,255,0),2)# 6. 显示结果cv2.imshow(Original Mask,mask)cv2.imshow(Detection Result,result)cv2.waitKey(0)cv2.destroyAllWindows()# 运行示例if__name____main__:process_image(test.png)七、总结尽管阈值分割是图像处理中最基础的技术但在工业视觉领域仍占据着不可替代的地位。优势算法简单、计算速度快、实时性强。适用场景背景稳定、目标与背景灰度差异明显的场景如标签检测、字符定位、简单缺陷检测。最佳实践在实际项目中阈值分割很少单独使用。它通常作为预处理步骤与形态学处理去噪、轮廓分析特征提取以及模板匹配等算法结合构建鲁棒性更强的视觉检测流水线。