19.OpenCV图像二值化

OpenCV图像二值化

图像二值化（Binarization）是图像预处理中的一种常用技术，其目的是将图像中的像素值分为两个类别——通常是“前景”和“背景”或者说0和255。二值化能够简化图像信息，为后续的形态学处理、边缘检测、目标识别等任务提供基础。本文将介绍二值化的基本概念、全局二值化、三角二值化和自适应二值化的原理与实现

1. 二值化基本概念

二值化将一幅灰度图像中的像素值根据阈值 TT 分为两类：

• 当像素值大于 TT 时，将其设为最大值（如 255）；
• 当像素值小于或等于 TT 时，将其设为最小值（如 0）。

数学上可以表示为：

$$g(x,y)=\{\begin{array}{ll}\text{maxValue},& \text{if }f(x,y)>T\\ 0,& \text{if }f(x,y)\le T\end{array}$$

其中f(x,y)为原始图像像素值，g(x,y) 为二值化后的像素值。

2. 全局阈值二值化

全局阈值二值化是最简单的二值化方法，它使用一个固定阈值对整幅图像进行处理。OpenCV 提供了 cv::threshold 函数来实现这一过程。

2.1 cv::threshold 函数

函数原型如下：

double threshold(InputArray src, OutputArray dst, double thresh, double maxval, int type);

• 返回值：函数返回所使用的阈值，当使用 THRESH_OTSU 或 THRESH_TRIANGLE 时，该值为计算出的最佳阈值，否则返回 thresh。
• src：输入灰度图像。
• dst：输出二值图像。
• thresh：阈值 TT。
• maxval：当像素值大于阈值时赋予的值（通常为 255）。
• type：
  • THRESH_BINARY：像素值大于阈值时设为最大值，否则设为 0。
  • THRESH_BINARY_INV：像素值大于阈值时设为 0，否则设为最大值。
  • THRESH_TRUNC：像素值大于阈值时设为阈值，否则保持原值。
  • THRESH_TOZERO：像素值大于阈值时保持原值，否则设为 0。
  • THRESH_TOZERO_INV：像素值大于阈值时设为 0，否则保持原值。
  • THRESH_OTSU：自动计算最佳阈值，并使用 THRESH_BINARY 进行二值化。
  • THRESH_TRIANGLE：基于直方图形状分析自动选择阈值，适用于单峰或近似单峰直方图。

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

int main() {
    // 读取灰度图像
    Mat gray = imread("E:/image/lena.png", IMREAD_GRAYSCALE);
    if (gray.empty()) {
        cerr << "图像加载失败！" << endl;
        return -1;
    }
    imshow("原图", gray);
    Mat binary;
    // 使用不同阈值类型进行二值化
    threshold(gray, binary, 128, 255, THRESH_BINARY);
    imshow("THRESH_BINARY", binary);

    threshold(gray, binary, 128, 255, THRESH_BINARY_INV);
    imshow("THRESH_BINARY_INV", binary);

    threshold(gray, binary, 128, 255, THRESH_TRUNC);
    imshow("THRESH_TRUNC", binary);

    threshold(gray, binary, 128, 255, THRESH_TOZERO);
    imshow("THRESH_TOZERO", binary);

    threshold(gray, binary, 128, 255, THRESH_TOZERO_INV);
    imshow("THRESH_TOZERO_INV", binary);

    waitKey(0);
    destroyAllWindows();
    return 0;
}

在上述示例中使用了128作为阈值，推荐平均值作为阈值效果会好。我们使用了不同的阈值类型进行二值化，并分别显示了处理后的结果如下图。

3. Otsu’s 自动阈值法

当图像的灰度直方图呈双峰分布时，Otsu 自动阈值法可以自动选择最佳阈值，从而实现自适应二值化。使用方法是在 cv::threshold 函数中加入 THRESH_OTSU 标志。

3.1 Otsu 示例代码

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

int main() {
    Mat gray = imread("E:/image/lena.png", IMREAD_GRAYSCALE);
    if (gray.empty()) {
        cerr << "图像加载失败！" << endl;
        return -1;
    }

    Mat binary;
    // thresh 参数可以设为 0，Otsu 算法会自动计算最佳阈值
    double otsu_thresh_val = threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
    cout << "Otsu 自动选择的阈值为：" << otsu_thresh_val << endl;

    imshow("原始灰度图像", gray);
    imshow("Otsu 二值化", binary);
    waitKey(0);
    return 0;
}

4. 三角二值化（Triangle Thresholding）

三角二值化（Triangle Thresholding）是一种基于图像直方图分析的方法，适用于单峰或近似单峰直方图的情况。它使用直方图的形状特征来确定一个合适的阈值。该方法通常用于光照均匀、前景与背景灰度分布明显的图像。不适用于双峰或多峰直方图（例如 Otsu 方法更适用于双峰直方图）

4.1 三角二值化原理

• 计算图像灰度直方图。
• 选择直方图中的最大峰值点作为基准点。
• 计算从直方图起始点到峰值点之间的最大距离来确定阈值。

4.2 三角二值化示例代码

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

int main() {
    // 读取灰度图像
    Mat gray = imread("lena.png", IMREAD_GRAYSCALE);
    if (gray.empty()) {
        cerr << "图像加载失败！" << endl;
        return -1;
    }
    
    Mat binary;
    // 使用 Triangle 方法自动计算阈值
    double triangle_thresh_val = threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_TRIANGLE);
    cout << "三角阈值计算结果：" << triangle_thresh_val << endl;
    
    imshow("原始灰度图像", gray);
    imshow("Triangle 二值化", binary);
    waitKey(0);
    return 0;
}

5. 自适应阈值二值化

在光照不均匀的场景下，全局阈值方法可能效果不佳，此时自适应阈值二值化更为有效。OpenCV 提供了 cv::adaptiveThreshold 函数，根据局部邻域信息动态确定阈值。

5.1 cv::adaptiveThreshold 函数

函数原型如下：

void adaptiveThreshold(InputArray src, OutputArray dst, double maxValue,
                       int adaptiveMethod, int thresholdType, int blockSize, double C);

• src：输入灰度图像。
• dst：输出二值图像。
• maxValue：二值化后像素的最大值（通常为 255）。
• adaptiveMethod：自适应方法，如 ADAPTIVE_THRESH_MEAN_C（邻域均值）或 ADAPTIVE_THRESH_GAUSSIAN_C（高斯加权）。
• thresholdType：阈值类型（通常为 THRESH_BINARY）。
• blockSize：用于计算局部阈值的邻域大小（必须为奇数）。
• C：从计算出的平均值中减去的常数，起到微调作用。

5.2 自适应阈值示例代码

#include <opencv2/opencv.hpp>
#include <iostream>
using namespace cv;
using namespace std;

int main() {
    Mat gray = imread("E:/image/lena.png", IMREAD_GRAYSCALE);
    if (gray.empty()) {
        cerr << "图像加载失败！" << endl;
        return -1;
    }

    Mat adaptive_binary;
    // 使用自适应阈值，将邻域均值作为局部阈值，blockSize 为 11，C 为 2
    adaptiveThreshold(gray, adaptive_binary, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 11, 2);

    imshow("原始灰度图像", gray);
    imshow("自适应阈值二值化", adaptive_binary);
    waitKey(0);
    return 0;
}

自适应阈值方法通过考虑局部信息，使得在光照不均时也能得到较好的二值化结果，可以看到更多的细节

6. 应用场景与小结

图像二值化是图像预处理的重要步骤，全局阈值、Otsu 自动阈值和自适应阈值各有适用场景。

• 全局阈值：简单、快速，适用于光照均匀的图像；
• Otsu 方法：自动计算最佳阈值，适用于双峰直方图；
• 自适应阈值：针对局部光照不均效果较好。

通过选择合适的方法和参数，可以有效分离图像中的前景与背景，为后续的图像处理和分析任务打下良好基础。

主要应用场景：

• 文档处理：二值化能将文档转换为黑白图像，有助于 OCR 识别。
• 目标分割：二值化用于将前景与背景分离，便于后续的物体检测和形态学处理。
• 图像分析：二值化简化了图像信息，适合形状分析和轮廓提取。