該系列文章是講解Python OpenCV影象處理知識，前期主要講解影象入門、OpenCV基礎用法，中期講解影象處理的各種演算法，包括影象銳化運算元、影象增強技術、影象分割等，後期結合深度學習研究影象識別、影象分類應用。希望文章對您有所幫助，如果有不足之處，還請海涵~

本篇文章主要講解Python呼叫OpenCV實現影象閾值化處理操作，包括二進位制閾值化、反二進位制閾值化、截斷閾值化、反閾值化為0、閾值化為0。全文均是基礎知識，希望對您有所幫助。 1.閾值化 2.二進位制閾值化 3.反二進位制閾值化 4.截斷閾值化 5.反閾值化為0 6.閾值化為0

PS：文章參考自己以前系列影象處理文章及OpenCV庫函式，同時部分參考網易雲視訊，推薦大家去學習。同時，本篇文章涉及到《計算機圖形學》基礎知識，請大家下來補充。

一. 閾值化

（注：該部分參考作者的論文《基於苗族服飾的影象銳化和邊緣提取技術研究》）

影象的二值化或閾值化（Binarization）旨在提取影象中的目標物體，將背景以及噪聲區分開來。通常會設定一個閾值T，通過T將影象的畫素劃分為兩類：大於T的畫素群和小於T的畫素群。 灰度轉換處理後的影象中，每個畫素都只有一個灰度值，其大小表示明暗程度。二值化處理可以將影象中的畫素劃分為兩類顏色，常用的二值化演算法如公式1所示：

$\begin{cases} Y=0，gray<T\\ Y=255，gray>=T\\ \end{cases}$

當灰度Gray小於閾值T時，其畫素設定為0，表示黑色；當灰度Gray大於或等於閾值T時，其Y值為255，表示白色。 Python OpenCV中提供了閾值函式threshold()實現二值化處理，其公式及引數如下圖所示： retval, dst = cv2.threshold(src, thresh, maxval, type)

常用的方法如下表所示，其中函式中的引數Gray表示灰度圖，引數127表示對畫素值進行分類的閾值，引數255表示畫素值高於閾值時應該被賦予的新畫素值，最後一個引數對應不同的閾值處理方法。 對應OpenCV提供的五張圖如下所示，第一張為原圖，後面依次為：二進位制閾值化、反二進位制閾值化、截斷閾值化、反閾值化為0、閾值化為0。

二值化處理廣泛應用於各行各業，比如生物學中的細胞圖分割、交通領域的車牌設別等。在文化應用領域中，通過二值化處理將所需民族文物影象轉換為黑白兩色圖，從而為後面的影象識別提供更好的支撐作用。下圖表示影象經過各種二值化處理演算法後的結果，其中“BINARY”是最常見的黑白兩色處理。

二. 二進位制閾值化

該方法先要選定一個特定的閾值量，比如127。新的閾值產生規則如下： $dst(x,y) = \begin{cases} maxVal， if src(x,y)>thresh\\ 0，otherwise\\ \end{cases}$ (1) 大於等於127的畫素點的灰度值設定為最大值（如8位灰度值最大為255） (2) 灰度值小於127的畫素點的灰度值設定為0 例如，163->255，86->0，102->0，201->255。

關鍵字為 cv2.THRESH_BINARY，完整程式碼如下：

#encoding:utf-8
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('test.jpg')

#灰度影象處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#二進位制閾值化處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY)
print r

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出為兩個返回值，r為127，b為處理結果（大於127設定為255，小於設定為0）。如下圖所示：

三. 反二進位制閾值化

該方法與二進位制閾值化方法相似，先要選定一個特定的灰度值作為閾值，比如127。新的閾值產生規則如下： $dst(x,y) = \begin{cases} 0， if src(x,y)>thresh\\ maxVal，otherwise\\ \end{cases}$ (1) 大於127的畫素點的灰度值設定為0（以8位灰度圖為例） (2) 小於該閾值的灰度值設定為255 例如，163->0，86->255，102->255，201->0。

關鍵字為 cv2.THRESH_BINARY_INV，完整程式碼如下：

#encoding:utf-8
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('test.jpg')

#灰度影象處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反二進位制閾值化處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_BINARY_INV)
print r

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如下圖所示：

該方法得到的結果正好與二進位制閾值化方法相反，亮色元素反而處理為黑色，暗色處理為白色。

四. 截斷閾值化

該方法需要選定一個閾值，影象中大於該閾值的畫素點被設定為該閾值，小於該閾值的保持不變，比如127。新的閾值產生規則如下： $dst(x,y) = \begin{cases} threshold， if src(x,y)>thresh\\ src(x,y)，otherwise\\ \end{cases}$ (1) 大於等於127的畫素點的灰度值設定為該閾值127 (2) 小於該閾值的灰度值不改變 例如，163->127，86->86，102->102，201->127。

關鍵字為 cv2.THRESH_TRUNC，完整程式碼如下：

#encoding:utf-8
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('test.jpg')

#灰度影象處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#截斷閾值化處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TRUNC)
print r

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如下圖所示：：

該處理方法相當於把影象中比較亮（大於127，偏向於白色）的畫素值處理為閾值。

五. 反閾值化為0

該方法先選定一個閾值，比如127，接著對影象的灰度值進行如下處理： $dst(x,y) = \begin{cases} 0， if src(x,y)>thresh\\ src(x,y)，otherwise\\ \end{cases}$ (1) 大於等於閾值127的畫素點變為0 (2) 小於該閾值的畫素點值保持不變 例如，163->0，86->86，102->102，201->0。

關鍵字為 cv2.THRESH_TOZERO_INV，完整程式碼如下：

#encoding:utf-8
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('test.jpg')

#灰度影象處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#反閾值化為0處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO_INV)
print r

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如下圖所示：

六. 閾值化為0

該方法先選定一個閾值，比如127，接著對影象的灰度值進行如下處理： $dst(x,y) = \begin{cases} src(x,y)， if src(x,y)>thresh\\ 0，otherwise\\ \end{cases}$ (1) 大於等於閾值127的畫素點，值保持不變 (2) 小於該閾值的畫素點值設定為0 例如，163->163，86->0，102->0，201->201。

關鍵字為 cv2.THRESH_TOZERO，完整程式碼如下：

#encoding:utf-8
import cv2  
import numpy as np  

#讀取圖片
src = cv2.imread('test.jpg')

#灰度影象處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#閾值化為0處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)
print r

#顯示影象
cv2.imshow("src", src)
cv2.imshow("result", b)

#等待顯示
cv2.waitKey(0)
cv2.destroyAllWindows()

輸出結果如下圖所示：

該演算法把比較亮的部分不變，比較暗的部分處理為0。

完整五個演算法的對比程式碼如下所示：

#encoding:utf-8
import cv2  
import numpy as np  
import matplotlib.pyplot as plt

#讀取影象
img=cv2.imread('test.jpg')
lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  

#閾值化處理
ret,thresh1=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY)  
ret,thresh2=cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY_INV)  
ret,thresh3=cv2.threshold(GrayImage,127,255,cv2.THRESH_TRUNC)  
ret,thresh4=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO)  
ret,thresh5=cv2.threshold(GrayImage,127,255,cv2.THRESH_TOZERO_INV)

#顯示結果
titles = ['Gray Image','BINARY','BINARY_INV','TRUNC','TOZERO','TOZERO_INV']  
images = [GrayImage, thresh1, thresh2, thresh3, thresh4, thresh5]  
for i in xrange(6):  
   plt.subplot(2,3,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()


#灰度影象處理
GrayImage = cv2.cvtColor(src,cv2.COLOR_BGR2GRAY)

#閾值化為0處理
r, b = cv2.threshold(GrayImage, 127, 255, cv2.THRESH_TOZERO)
print r

titles = ['Source Image','Gray Image','Laplacian Image','Robert Image','Prewitt Image','Sobel Image']  
images = [lenna_img, GrayImage, Laplacian, Robert, Prewitt, Sobel]  
for i in np.arange(6):  
   plt.subplot(3,2,i+1),plt.imshow(images[i],'gray')  
   plt.title(titles[i])  
   plt.xticks([]),plt.yticks([])  
plt.show()

輸出結果如下圖所示：

希望文章對大家有所幫助，如果有錯誤或不足之處，還請海涵。最近經歷的事情太多，有喜有悲，關閉了朋友圈，希望通過不斷學習和寫文章來忘記煩勞，將憂鬱轉換為動力。哎，總感覺自己在感動這個世界，幫助所有人，而自己卻…誰有關心秀璋？晚安。 （By：Eastmount 2018-10-30 晚上10點 https://blog.csdn.net/Eastmount/）