2.4 阈值分割

2.4 阈值分割

本节摘要：阈值分割把灰度图一刀切成二值图，是"检测目标 vs 背景"最便宜的手段。本节讲 threshold 的固定阈值与五种阈值类型、adaptiveThreshold 的局部自适应方案、Otsu 大津法的自动定阈值，以及三者按光照条件分档的选择逻辑。核心结论：光照均匀用 Otsu 自动档，光照不均用自适应局部档，纯固定阈值只留给光照可控的产线场景。

本节要解决的问题与目标

阅读完本节，你应当能够：

1. 用 threshold 完成固定阈值二值化并解释五个参数各自的作用
2. 区分五种阈值类型（BINARY、BINARY_INV、TRUNC、TOZERO、TOZERO_INV）的输出规则
3. 用 Otsu 标志让 OpenCV 自动计算最优全局阈值
4. 用 adaptiveThreshold 处理照度不均的图像并选对局部方法
5. 按光照条件在三种方案中做出选择，并接上形态学做后处理

先跑起来：一行代码的二值化

import cv2

gray = cv2.imread('part.jpg', cv2.IMREAD_GRAYSCALE)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
​

第二个参数 127 是阈值：灰度大于 127 的像素变 255（白），其余变 0（黑）。第三个参数是 maxValue，即"命中区域"填充的值。返回的第一个值容易被忽略——它是实际使用的阈值，固定阈值模式下就是你传的数；但等会儿用 Otsu 时，实际阈值由算法计算，全靠这个返回值拿回来，养成接收它的习惯。

三种进阶玩法，各一行：

_, auto = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

adaptive_mean = cv2.adaptiveThreshold(gray, 255,
                    cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 25, 10)

adaptive_gauss = cv2.adaptiveThreshold(gray, 255,
                    cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 25, 10)
​

第一行把阈值传 0 并追加 OTSU 标志，OpenCV 会在整张图的灰度直方图上自动找一个最优分界点。后两行走局部路线：每个像素的阈值由它周围 25×25 邻域算出，减去常数 10 作为修正。同一张照度不均的图（比如侧光的纸质文档，一半亮一半暗），固定阈值必然顾此失彼——亮区全白、暗区全黑；自适应版本则两边都能干净分离。这个对比实验强烈建议亲手做，看一次终身不忘。

核心原理：直方图上的分界线

2.1 阈值的本质：在直方图上找谷

把灰度图统计成直方图（横轴 0–255，纵轴每档像素数），理想的分割场景会呈现"双峰一谷"：目标物体一个峰、背景一个峰、中间一道谷。阈值就该落在谷底——分错类 的像素最少。固定阈值法相当于你用肉眼估计谷底位置；Otsu 法让程序系统地找谷底。

Otsu 的思路可以一句话讲明白：枚举所有可能阈值，把图分成前景背景两类，计算"类间方差"（两类平均灰度差距的度量），使类间方差最大的阈值就是最优分界——分得越开，说明两类差异越大、切得越干净。前提是直方图确实接近双峰。目标占画面极小（比如 1% 的小缺陷）时双峰退化成单峰加一根小刺，Otsu 会切偏，这类场景要改用形态学礼帽先增强目标，或干脆换第 4 章的检测方法。

2.2 五种阈值类型：切法不止一种

THRESH_BINARY 只是五种切法之一：

后三种的输出仍是灰度图不是二值图，它们更像"灰度域手术刀"：TRUNC 适合压过曝天空的细节，TOZERO 适合把暗背景清空只留亮目标。日常说"二值化"默认指前两种。

2.3 自适应阈值：把一把刀换成一片刀

全局阈值是"一把刀切全图"，要求光照均匀。扫描仪盖着盖子、产线相机带环形光源，光照可控，全局刀够用。但手机随手拍、自然光场景、大画幅监控画面，光照必然不均，一把刀无解。

adaptiveThreshold 的解法是给每个像素配一把小刀：以该像素为中心的 blockSize×blockSize 邻域内，算出局部基准（MEAN_C 是邻域均值，GAUSSIAN_C 是高斯加权均值），再减去常数 C 当作该处的阈值。C 是"留白量"：它把阈值从邻域均值再压低一点，容忍噪声与纹理的波动。blockSize 决定"多局部"：取 25 意味着约 25 像素尺度内的光照差异被抹平；取太大就退化回全局阈值，取太小则纹理被当成"光照"过度响应，会出碎斑。

两个参数的推荐起点：blockSize 取目标宽度的 2 到 3 倍并保持奇数，C 从 10 起步按碎斑程度上调。MEAN 与 GAUSSIAN 的差别通常不大，GAUSSIAN 的过渡更平滑，跑得稍慢，我默认 GAUSSIAN。

2.4 与滤波、形态学的接口

阈值分割对噪声极其敏感：一个 ±20 的灰度抖动就可能让像素在黑白之间跳变。所以标准链路是"滤波 → 阈值 → 形态学"：滤波压灰度噪声，阈值切分，形态学清理切分后残余的碎斑与空洞。跳过第一步，后面两步就得加倍补偿。

工程实践要点

3.1 拿到图先看直方图

调阈值前先看直方图，一分钟避免一小时瞎调：

hist = cv2.calcHist([gray], [0], None, [256], [0, 256])
​

双峰清晰就上 Otsu；单峰说明目标背景灰度重叠，任何阈值都会有大量误分，该回去改光照或换方法，而不是继续在阈值上死磕。阈值救不了糟糕的成像，这是工业视觉的第一课。

3.2 逆向思维：INV 的妙用

很多算法（findContours、形态学）默认白区为前景。当你的目标是暗物体（白纸上的黑字）时，直接二值化的白区是背景。加 THRESH_OTSU 加 THRESH_BINARY_INV 组合，一步得到"黑字变白"的正确朝向，省一次反相。

3.3 彩色信息救场：转到 HSV 再切

灰度区分不开的目标，颜色可能分得开。比如黄底黑字的标签、红绿混合的工件，转到 HSV 后按色调通道（H）做阈值筛选，往往一刀干净。inRange 函数可以做"区间版阈值"：同时约束 H、S、V 三个通道的上下界，输出直接是二值掩码，这是颜色目标提取的标准姿势（第 4 章识别部分还会用到）。

⚠️ 常见坑：对没滤过波的图直接 Otsu，阈值天天漂。噪声让直方图变"毛"，谷底位置随机移动，Otsu 算出的值在几十的幅度上抖动。先高斯滤波再 Otsu，阈值立刻稳定——这也是 OpenCV 文档明示的建议。另一个坑是 blockSize 传了偶数，函数直接报错，该参数必须为奇数。

3.4 动手实验清单

1. 同一张图分别用 100、127、160 三个固定阈值二值化，对比目标缺损与噪声面积，体会"谷底"的含义。
2. 侧光拍一张纸，固定阈值与自适应各跑一遍，观察自适应如何同时照顾明暗两区。
3. 打印 Otsu 返回的实际阈值，验证它与直方图谷底的对应关系。
4. 把自适应的 C 从 2 调到 25，观察碎斑减少、笔画变细的过程，找出你那张图的平衡点。

3.5 三种方案的效果对比全景

三档阈值方案对照

3.6 常见疑问与解答

Otsu 和自适应能一起用吗？

不能直接叠加（一个全局一个局部，机制互斥），但可以分而治之：光照不均的图先用大的背景建模（或形态学礼帽）拉平亮场，再对结果做 Otsu——"先去趋势再切分"的思路等价于手工版自适应。另有一个冷知识：threshold 加 OTSU 标志时传入的阈值参数会被忽略，所以写 0 是惯例，写别的数也不影响结果。

二值图还需要滤波吗？

不建议。第 2 章第 1 节说过，灰度域的滤波对二值斑点的处理会引入中间灰度值。二值图上的"滤波"由形态学接管（开闭运算），两套工具各守各的域。

阈值分割和边缘检测，先做哪个？

它们是并列的两条路，不是前后两步。阈值切"区域"（面），边缘提取"边界"（线），下游要区域（计数、测面积）走阈值，要结构（找直线、配准）走边缘。偶尔串联的场景是"阈值后用形态学梯度描边界"，那是二值域的描边，与 Canny 无关。

3.7 实战配方：从灰度图到可用目标区域的四步

组装一次完整实战，场景设定为"传送带上的深色零件提取"（光照基本均匀的产线视角）。

第一步看直方图定路线。零件与传送带有稳定的灰度差，直方图双峰清晰，走全局路线；用 Otsu 自动定阈值并打印返回值记录（同一相机同一光照下它应当非常稳定，漂移超过十说明成像链路有问题）。

第二步一次二值化到位。零件是暗目标，加 INV 标志让零件变白（前景），为形态学与轮廓做准备——本节 3.2 的逆向思维直接套用。

第三步形态学净化。按第 2 章第 3 节的配方清斑补洞，核尺寸按实测的噪声团与空洞口径定。

第四步轮廓提取与面积过滤。findContours 加面积上下限（下限砍碎块，上限防误把传送带边缘当目标），输出目标区域列表。至此"灰度图进、目标区域出"的产线级流水线完成，四个环节各两三行代码，但每一步的参数都有依据可回溯——这就是工程代码与脚本小样的区别。

换一个光照不均的场景（车间自然光），只有第二步换成自适应阈值、参数按本节 3.3 的联动规则重标，其余三步原样复用。配方化的价值在迁移成本趋近于零。

本节要点回顾

• 三种方案按光照分档：均匀光照全局阈值（首选 Otsu 自动档），缓变光照自适应局部阈值，灰度不可分时转 HSV 换维度。
• Otsu 找谷底：最大化类间方差，前提是直方图双峰；先滤波再 Otsu，阈值才稳。
• 五种切法各有所长：BINARY 与 INV 出二值图，TRUNC 与 TOZERO 系列做灰度域手术。
• 自适应两参数：blockSize 是局部性的尺度（目标宽度的 2–3 倍），C 是容忍度（碎斑多就上调）。
• 标准链路：滤波 → 阈值 → 形态学，顺序反了或跳步都要加倍补偿。
• 阈值救不了成像：直方图单峰时回头改光照或换检测方法，别在参数里内耗。

常见追问：直方图双峰不明显时还有救吗

有，但救法往往不在阈值函数里。先做一次形态学闭运算或中值滤波把谷底填平，再重新统计直方图，很多"看起来单峰"的图会显出双峰结构。若仍旧平缓，说明光照不均主导了灰度分布——此时局部自适应阈值更合适，或者干脆回到采集端：加个遮光罩、换个打光角度，比在参数里反复横跳有效得多。

还有一种容易被忽视的情况：目标占比太小，峰值几乎看不见。这时可以先做一次 ROI 裁剪再取阈值，把统计范围收窄到目标所在区域。Otsu 返回的阈值本质是对整幅图直方图的最优分割，ROI 一换，同一个函数立刻好用。工程里"阈值不稳"的老大难，一半以上最后都是靠改 ROI 或改光照解决的。

二值图到手，我们换一个视角看图像结构——边缘。下一节的 Canny 会把"物体的边界"从灰度变化里提取出来。