前言

在数字图像处理领域，阈值处理是最基本、最常用的技术之一。阈值处理通过将图像的像素值与指定的阈值进行比较，将图像分割为前景和背景，从而突出图像中的重要特征。这种技术广泛应用于图像分割、目标检测、图像二值化等任务中。在本篇博客中，我们将详细介绍基本的阈值处理方法，包括简单阈值和自适应阈值，并通过代码示例展示如何在 OpenCV 中实现这些操作。

1.基本阈值处理类型

阈值处理是一种基于像素强度值的图像分割技术。通过设定一个或多个阈值，将图像分割为不同的区域。根据阈值的选择方法，阈值处理可以分为简单阈值处理和自适应阈值处理。

以下表格列出了 OpenCV 支持的各种阈值处理类型及其对应的公式和应用场景，帮助理解和选择合适的阈值处理方法。

Enumerator	公式	说明
THRESH_BINARY	$ dst(x, y) = \begin{cases} \text{maxval}, & \text{if } src(x, y) > \text{thresh} \ 0, & \text{otherwise} \end{cases} $	如果像素值大于阈值，则设置为最大值（通常是 255），否则设置为 0。
THRESH_BINARY_INV	$dst(x,y)=\{\begin{array}{ll}0,& \text{if }src(x,y)>\text{thresh}\\ \text{maxval},& \text{otherwise}\end{array}$	与 THRESH_BINARY 相反，如果像素值大于阈值，则设置为 0，否则设置为最大值。
THRESH_TRUNC	$dst(x, y) = \begin{cases} \text{thresh}, & \text{if } src(x, y) > \text{thresh} \ src(x, y), & \text{otherwise} \end{cases} $	将高于阈值的像素截断为阈值，其余保持不变。
THRESH_TOZERO	$ dst(x, y) = \begin{cases} src(x, y), & \text{if } src(x, y) > \text{thresh} \ 0, & \text{otherwise} \end{cases}$	保留高于阈值的像素值，其余设置为 0。
THRESH_TOZERO_INV	$ dst(x, y) = \begin{cases} 0, & \text{if } src(x, y) > \text{thresh} \ src(x, y), & \text{otherwise} \end{cases}$	与 THRESH_TOZERO 相反，保留低于阈值的像素值，其余设置为 0。
THRESH_MASK	-	用于掩码操作，通常在图像处理的特定区域应用阈值。
THRESH_OTSU	-	Otsu 算法自动选择最优阈值，适用于双峰直方图的图像。
THRESH_TRIANGLE	-	使用 Triangle 算法基于直方图的几何特征自动选择阈值。

(1)阈值二值化(binary)

如果像素值＞指定的阈值，则设置为最大值（通常是 255）；否则设置为 0。用于将图像分割成黑白两部分，即将前景和背景分离。

(2)阈值反二值化(binary_inv)

THRESH_BINARY 的反向版本。如果像素值大于阈值，则设置为 0；否则设置为最大值。用于需要反转前景和背景的场景。

(3)截断(truncate)

当像素值＞指定的阈值时，将其设置为阈值；否则保持原来的像素值。这种方法将高于阈值的部分截断，常用于限制图像中的最大亮度。

(4)阈值取零(threshold to zero)

如果像素值＞阈值，则保持原像素值；否则设置为 0。这种方法可以用于只保留图像中高于某一亮度的部分，其余部分设置为背景。

(5)阈值反取零（threshold to zero inverted）

THRESH_TOZERO 的反向版本。如果像素值＞阈值，则设置为 0；否则保持原来的像素值。适用于需要反转高亮和低亮部分的场景。

(6)THRESH_MASK

这种模式通常用于掩码图像处理，限制阈值操作只影响某些区域。具体行为依赖于实际应用场景。

(7)THRESH_OTSU

Otsu 方法是一种自动确定图像阈值的算法，它根据图像的灰度分布自适应地选择最佳阈值。使用 Otsu 方法时，无需手动设置阈值，预设值可以为 0，最大值通常设为 255。例如：

threshold(grayImage, dst, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);

(8)THRESH_TRIANGLE

HRESH_TRIANGLE 方法是一种自适应的阈值选择方法。通过寻找图像灰度直方图中双峰之间的谷底来确定最佳阈值。这个方法特别适合具有双峰灰度分布的图像，因为它可以有效地分割图像中的前景和背景。

THRESH_TRIANGLE 方法对灰度直方图具有双峰特性的图像效果最佳。如果图像的灰度分布并不是双峰型的，那么该方法可能不理想。

2.代码实现

(1)图像读取

图片链接实验图片sherlock.jpg

先读取图像用于后面的操作

	cv::Mat image;image = imread("sherlock.jpg", IMREAD_GRAYSCALE);if (image.empty()) {printf("could not find the image...\n");return;}namedWindow("input image", cv::WINDOW_AUTOSIZE);namedWindow("Binary Image", WINDOW_AUTOSIZE);cv::imshow("input image", image);

(2)动态阈值处理和滑动条创建

定义了一个回调函数 on_trackbar，用于根据滑动条的位置实时更新二值化图像。通过 createTrackbar 函数创建的滑动条，可以动态调整阈值 thresholdValue，每次滑动条的值发生变化时，回调函数都会被调用，从而更新显示在窗口中的二值化图像。

// 回调函数，用于更新二值化图像
void on_trackbar(int, void* data) {Mat* image = static_cast<Mat*>(data);Mat binaryImage;//进行简单阈值处理cv::threshold(*image, binaryImage, thresholdValue, maxValue, THRESH_BINARY);//显示二值化图像cv::imshow("Binary Image", binaryImage);
}
createTrackbar("Threshold", "Binary Image", &thresholdValue, maxValue, on_trackbar, &image);
on_trackbar(thresholdValue, &image);

结果：

(3)自适应阈值处理1(Otsu)

THRESH_OTSU：使用 threshold 函数时，通过组合 THRESH_BINARY | THRESH_OTSU 标志，可以让 OpenCV 自动计算最佳阈值。

	// 使用 Otsu 阈值处理	cv::Mat otsuBinaryImage;double otsuThreshold = threshold(image, otsuBinaryImage, 0, 255, THRESH_BINARY | THRESH_OTSU);imshow("Otsu Binary Image", otsuBinaryImage);

(4)自适应阈值处理2(Triangle)

THRESH_TRIANGLE：类似地，通过 THRESH_BINARY | THRESH_TRIANGLE 标志，OpenCV 使用 Triangle 方法自动计算最佳阈值。

	// 使用 Triangle 阈值处理Mat triangleBinaryImage;// Triangle 方法通过寻找直方图中双峰之间的谷底来自动选择阈值double triangleThreshold = threshold(image, triangleBinaryImage, 0, 255, THRESH_BINARY | THRESH_TRIANGLE);imshow("Triangle Binary Image", triangleBinaryImage);

(5)自适应阈值处理3(adaptiveThreshold)

使用自适应阈值处理方法对图像进行二值化。cv::adaptiveThreshold 函数根据图像的局部区域动态计算阈值，使得在光照不均匀的情况下也能有效分割前景和背景。这里采用了高斯加权的方法 (ADAPTIVE_THRESH_GAUSSIAN_C) 和二值化类型 (THRESH_BINARY)，结果显示在 “Adaptive Binary Image” 窗口中。

	cv::Mat adaptiveBinaryImage;int blockSize = 11;double C = 2;cv::adaptiveThreshold(image, adaptiveBinaryImage, maxValue, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, blockSize, C);cv::imshow("Adaptive Binary Image", adaptiveBinaryImage);

结果：

3.完整代码

#include<opencv2/opencv.hpp>
#include<highgui.hpp>using namespace cv;
using namespace std;int thresholdValue = 127;
int maxValue = 255;// 回调函数，用于更新二值化图像
void on_trackbar(int, void* data) {Mat* image = static_cast<Mat*>(data);Mat binaryImage;//进行简单阈值处理cv::threshold(*image, binaryImage, thresholdValue, maxValue, THRESH_BINARY);//显示二值化图像cv::imshow("Binary Image", binaryImage);
}void Basic_thresholds()
{cv::Mat image;image = imread("sherlock.jpg", IMREAD_GRAYSCALE);if (image.empty()) {printf("could not find the image...\n");return;}namedWindow("input image", cv::WINDOW_AUTOSIZE);namedWindow("Binary Image", WINDOW_AUTOSIZE);cv::imshow("input image", image);createTrackbar("Threshold", "Binary Image", &thresholdValue, maxValue, on_trackbar, &image);on_trackbar(thresholdValue, &image);cv::Mat adaptiveBinaryImage;int blockSize = 11;double C = 2;cv::adaptiveThreshold(image, adaptiveBinaryImage, maxValue, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, blockSize, C);cv::imshow("Adaptive Binary Image", adaptiveBinaryImage);waitKey(0);
}
int main() 
{Basic_thresholds();return 0;
}