OpenCV阈值处理完全指南：从基础到高级应用
引言
阈值处理是图像处理中最基础、最常用的技术之一，它能够将灰度图像转换为二值图像，为后续的图像分析和处理奠定基础。本文将全面介绍OpenCV中的各种阈值处理方法，包括原理讲解、代码实现和实际应用场景。
一、什么是阈值处理？
阈值处理（Thresholding）是通过设定一个或多个阈值，将图像的像素值分为若干类的过程。对于灰度图像，通常是选择一个阈值，将像素分为"黑"和"白"两类，从而创建二值图像。
数学表达式：
dst(x,y) = maxVal if src(x,y) > thresh= 0 otherwise
二、OpenCV中的阈值处理函数
OpenCV提供了cv2.threshold()函数用于基本的阈值处理，其函数原型为：
retval, dst = cv2.threshold(src, thresh, maxval, type[, dst])
参数说明：
src：输入图像（必须为灰度图）thresh：阈值maxval：当像素值超过阈值时赋予的最大值type：阈值类型retval：实际使用的阈值（某些方法会自动计算）dst：输出图像
三、5种基本阈值处理方法
1. 二进制阈值化（THRESH_BINARY）
import cv2
import numpy as npimg = cv2.imread('image.jpg', 0) # 以灰度模式读取
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
效果：像素值>127设为255，否则设为0
2. 反二进制阈值化（THRESH_BINARY_INV）
ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
效果：与THRESH_BINARY相反
3. 截断阈值化（THRESH_TRUNC）
ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
效果：像素值>127设为127，否则保持不变
4. 阈值化为0（THRESH_TOZERO）
ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
效果：像素值>127保持不变，否则设为0
5. 反阈值化为0（THRESH_TOZERO_INV）
ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)
效果：与THRESH_TOZERO相反
四、自适应阈值处理
当图像光照不均时，全局阈值效果不佳，此时可以使用自适应阈值：
thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY, 11, 2)
参数说明：
adaptiveMethod：自适应方法ADAPTIVE_THRESH_MEAN_C：邻域均值ADAPTIVE_THRESH_GAUSSIAN_C：邻域加权和（高斯）
blockSize：邻域大小（奇数）C：从均值或加权和中减去的常数
五、Otsu’s二值化（大津算法）
对于双峰图像（直方图有两个明显峰值），Otsu方法可以自动确定最佳阈值：
ret2, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
六、实际应用案例
1. 文档扫描与OCR预处理
def preprocess_for_ocr(image_path):img = cv2.imread(image_path, 0)# 使用Otsu方法自动阈值化_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 去噪kernel = np.ones((3,3), np.uint8)processed = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)return processed
2. 工业检测中的缺陷识别
def detect_defects(reference_img, test_img):# 转换为灰度图ref_gray = cv2.cvtColor(reference_img, cv2.COLOR_BGR2GRAY)test_gray = cv2.cvtColor(test_img, cv2.COLOR_BGR2GRAY)# 计算差异diff = cv2.absdiff(ref_gray, test_gray)# 自适应阈值处理thresh = cv2.adaptiveThreshold(diff, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY, 11, 2)# 寻找轮廓contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 绘制缺陷区域result = test_img.copy()for cnt in contours:if cv2.contourArea(cnt) > 10: # 忽略小面积x,y,w,h = cv2.boundingRect(cnt)cv2.rectangle(result, (x,y), (x+w,y+h), (0,0,255), 2)return result
七、阈值处理的高级技巧
1. 多阈值处理
def multi_threshold(image):gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 定义三个阈值_, th1 = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY)_, th2 = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY)_, th3 = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)# 组合结果result = np.zeros_like(gray)result[(gray >= 0) & (gray < 50)] = 0result[(gray >= 50) & (gray < 100)] = 100result[(gray >= 100) & (gray < 150)] = 200result[gray >= 150] = 255return result
2. 基于HSV空间的阈值处理
def hsv_threshold(image):hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 定义颜色范围（示例：红色）lower_red = np.array([0, 120, 70])upper_red = np.array([10, 255, 255])mask1 = cv2.inRange(hsv, lower_red, upper_red)lower_red = np.array([170, 120, 70])upper_red = np.array([180, 255, 255])mask2 = cv2.inRange(hsv, lower_red, upper_red)# 合并maskmask = mask1 + mask2# 应用maskresult = cv2.bitwise_and(image, image, mask=mask)return result
八、性能优化
性能优化建议：
- 对小图像使用全局阈值，对大图像使用自适应阈值
- 在循环中处理视频帧时，预先转换为灰度图
- 合理选择blockSize（通常11-31之间的奇数）
九、总结
阈值处理是图像分割和特征提取的基础，掌握各种阈值处理方法能够为更复杂的计算机视觉任务打下坚实基础。本文介绍了OpenCV中的基本阈值处理方法、自适应阈值和大津算法，并提供了实际应用案例和高级技巧。希望通过本文的学习，您能够根据不同的应用场景选择合适的阈值处理方法。
相关文章：
OpenCV阈值处理完全指南：从基础到高级应用
引言 阈值处理是图像处理中最基础、最常用的技术之一，它能够将灰度图像转换为二值图像，为后续的图像分析和处理奠定基础。本文将全面介绍OpenCV中的各种阈值处理方法，包括原理讲解、代码实现和实际应用场景。 一、什么是阈值处理࿱…...
源码与二进制包区别
文章目录 源码包与二进制包的区别及选择建议概述核心区别对比1. 内容组成2. 安装复杂度3. 灵活性4. 依赖管理5. 安全性 选择建议适合使用**源码包**的场景：适合使用**二进制包**的场景： 总结 源码包与二进制包的区别及选择建议 概述 在常见的Linux安装…...
NAT转换和ICMP
NAT nat原理示意 nat实现 ICMP ICMP支持主机或路由器： 差错或异常报告网络探寻 2类icmp报文： 差错报告报文（5种） 目的不可达源抑制--拥塞控制超时&超期--TTL超时参数问题--问题报文丢弃重定向--不应该由这个路由器转发&a…...
No module named‘serial‘解决办法
jksjks-VMware-Virtual-Platform:~/gx$ sudopython3py.py Traceback (most recent call last): File "py.py",line 1, in <module> import serial.tools.list_ports ModuleNotFoundError: No module namedserial 这个报错意思是缺少serial模块 解决方法也很简…...
用 Gensim 实现 Word2Vec 古诗生成
向量操作。我们将借助它完成从语料处理到古诗生成的全流程。 6.1 环境搭建与库导入 首先安装 Gensim 及依赖库： bash pip install gensim numpy pandas 导入必要模块： python 运行 from gensim.models import Word2Vec # 核心词向量模型 from r…...
【图像生成1】Latent Diffusion Models 论文学习笔记
一、背景 本文主要记录一下使用 LDMs 之前，学习 LDMs 的过程。 二、论文解读 Paper：[2112.10752] High-Resolution Image Synthesis with Latent Diffusion Models 1. 总体描述 LDMs 将传统 DMs 在高维图像像素空间（Pixel Space&#x…...
MapReduce Shuffle 全解析：从 Map 端到 Reduce 端的核心数据流
一、Shuffle 的本质定位：MapReduce 的核心枢纽 Shuffle 过程涵盖 MapTask 的后半程与 ReduceTask 的前半程，具体指从 map 方法输出到 reduce 方法输入之间的整个数据处理链路。它承担着三大核心使命： 数据分区：决定数据归属…...
架构与UML4+1视图
简单对比分析 架构41视图 架构41视图是由Philippe Kruchten提出的，用于描述软件系统的架构。它包括以下五个视图： 逻辑视图：描述系统的功能需求，展示系统的静态结构，通常使用类图、对象图等。开发视图：…...
nosqlbooster pojie NoSQLBooster for MongoDB
测过可用，注意 asar的安装使用报错改用 npx asar extract app.asar app 路径 C:\Users{computerName}\AppData\Local\Programs\nosqlbooster4mongo\resources npm install asar -g asar extract app.asar app 打开shared\lmCore.js 修改MAX_TRIAL_DAYS3000 修改…...
UI自动化测试中，一个完整的断言应所需要考虑的问题
在UI自动化测试中，一个完整的断言应全面覆盖用户界面（UI）的功能性、交互性和视觉正确性。以下是断言需要包含的核心内容及详细说明： 一、基础元素验证 存在性断言 验证元素存在于DOM中示例代码（Python + Selenium）：assert driver.find_element(By.ID, "submit_btn&…...
电脑出故障驱动装不上？试试驱动人生的远程服务支持
在日常工作或学习中，驱动问题时常成为电脑用户的一大困扰。尤其是在更换硬件、重装系统、驱动冲突等情况下，许多用户往往手足无措，不知道从何下手。而“驱动人生”作为国内领先的驱动管理工具，一直以高效、便捷、智能著称。现在&a…...
机器学习第十五讲：决策树全面讲解：像玩“20个问题“游戏猜身份[特殊字符]
机器学习第十五讲：决策树全面讲解：像玩"20个问题"游戏猜身份🎮 资料取自《零基础学机器学习》。 查看总目录：学习大纲 关于DeepSeek本地部署指南可以看下我之前写的文章：DeepSeek R1本地与线上满血版部署&…...
基于Rust语言的Rocket框架和Sqlx库开发WebAPI项目记录（二）
参数结构体模块 在src目录下新建params文件夹 在params文件夹下依次新建req.rs、resp.rs、result_parse.rs、mod.rs 目录结构如下： project |—src |—params //封装参数结构体模块 |—req.rs //封装请求参数结构体 |—resp.rs //封装返回数据结构体 |—resu…...
Centos7系统（最小化安装）安装zabbix7版本详细文章、nginx源代码配置、php源代码、mysql-yum安装
zabbix官网链接下载zabbix源代码安装包 选择zabbix版本（此文章使用zabbix7.0版本） 安装之前由于是最小化安装centos7安装一些开发环境和工具包 文章使用国内阿里源 cd /etc/yum.repos.d/;curl -O https://mirrors.aliyun.com/repo/epel-7.repo;curl -…...
rocketmq 环境配置[python]
因本人是 python 开发，macbook 开发。windows 可以采取配置远程 linux 解释器或者 pycharm 专业版的 docker 解释器进行开发 M1 芯片 本地运行 rocketmq rocketmq Python 开源地址： https://github.com/apache/rocketmq-client-python 因为需要 linu…...
)
前端学习（4）—— JavaScript(基础语法)
目录 一，介绍 1.1 是什么 1.2 组成 1.3 书写形式 1.4 输入输出 二，变量的使用 2.1 基本用法 2.2 动态类型 三，基本数据类型 3.1 数字类型 3.2 字符串类型 3.3 布尔类型 3.4 未定义数据类型 3.5 空值类型 四，运算符…...
简单介绍C++中线性代数运算库Eigen
Eigen 是一个高性能的 C 模板库，专注于线性代数、矩阵和向量运算，广泛应用于科学计算、机器学习和计算机视觉等领域。以下是对 Eigen 库的详细介绍： 1. 概述 核心功能：支持矩阵、向量运算，包括基本算术、矩阵分解&…...
原生小程序+springboot+vue+协同过滤算法的音乐推荐系统（源码+论文+讲解+安装+部署+调试）
感兴趣的可以先收藏起来，还有大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，我会一一回复，希望帮助更多的人。 系统背景 在数字音乐产业迅猛发展的当下，Spotify、QQ 音乐、网易云音乐等音乐平台的曲…...
[特殊字符] 如何优雅地避免 SQL 多表 LEFT JOIN 造成的笛卡尔积放大问题？
在实际项目开发中，我们经常需要从多个数据表中统计和聚合项目相关数据。但如果处理不当，多表 LEFT JOIN 容易造成 数据行数异常放大 的问题，也就是我们常说的“笛卡尔积放大”。 本文通过一个简单示例，直观讲清问题产生的原因&am…...
哈希表实现（1）：
1. 哈希： 之前我们的红黑数的查找是由于左边小右边大的原则可以快速的查找，我们这里的哈希表呢？ 这里是用过哈希函数把关键字key和存储位置建立一个关联的映射。 直接定址法（函数函数定义的其中一种）： 直…...
【流程控制结构】
流程控制结构 流程控制结构1、顺序结构2、选择结构if基本选择结构if else语法多重if语法嵌套if语法switch选择结构 3、循环结构循环结构while循环结构程序调试for循环跳转语句区别 流程控制结构 1、顺序结构 流程图 优先级 2、选择结构 if基本选择结构 单if 语法 if&…...
敏捷-第二章 敏捷宣言与原则
敏捷宣言与原则之间的关系 将敏捷明确表述为一种思维模式，它由《敏 捷宣言》的价值观所界定，受敏捷原则指导， 4通过各种实践实现敏捷不是指某一种具体的方法论、过程或框架，而是一组价值观和原则。 敏捷宣言(Manifesto)的4大价值…...
UAI 2025重磅揭晓：录取数据公布（附往届数据）
近日，第41届UAI公布了论文录用结果。本次大会共收到 750篇有效论文投稿，最终录用230篇，录用率为30.7%。录取率较去年（UAI 2024）相比有所上升（录取率：26.88%）。 会议概览 人工智能不…...
京东方10.1寸工业液晶屏GV101WXM-N80
第一篇：规格参数总览 产品标称 京东方(BOE) GV101WXM-N85 工业级显示单元 核心应用方向 教学终端设备｜工业便携装置｜车载控制系统 面板属性 非晶硅TFT液晶技术｜全视角显示模式联合常暗配置 物理规格 对角线长度25.7cm&…...
实例分割AI数据标注 ISAT自动标注工具使用方法
文章目录 🌕ISAT安装和启动方法🌕下载和使用AI分割模型🌙SAM模型性能排行🌙手动下载sam模型 & sam模型下载路径🌕使用方法🌙从file中导入图片🌙点击左上角的图标进入分割模式🌙鼠标左键点击画面中的人则自动标注🌙点击右键该区域不标注🌙一个人一个人的…...
软件架构风格系列（4）：事件驱动架构
文章目录 前言一、从“用户下单”场景看懂事件驱动核心概念（一）什么是事件驱动架构？（二）核心优势：解耦与异步的双重魔法 二、架构设计图：三要素构建事件流转闭环三、Java实战：从简单…...
软件架构风格系列（2）：面向对象架构
文章目录 引言一、什么是面向对象架构风格1. 定义与核心概念2. 优点与局限性二、业务建模：用对象映射现实世界（一）核心实体抽象1. 员工体系2. 菜品体系 （二）封装：隐藏实现细节 三、继承实战：构建…...
python打卡day27
函数装饰器 知识点回顾： 装饰器的思想：进一步复用函数的装饰器写法注意内部函数的返回值 日常ctrl点进某个复杂的项目，发现函数定义上方有一个xxx,它就是装饰器。装饰器本质上是一个 Python 函数，可以在不修改原函数代码的情况下&…...
智能AI构建工地安全网：跌倒、抽搐、区域入侵多场景覆盖
智能AI在工地安全中的应用：从监测到救援的全流程实践 一、背景：高温作业下的工地安全挑战 随着夏季高温持续，工地户外作业环境面临严峻考验。工人因高温疲劳、脱水或突发疾病引发的行为异常（如晕厥、抽搐、跌倒）频发…...
gflags 安装及使用
目录 引言 安装 如何用 gflags 库写代码 如何用命令行使用 gflags 库 gflags 库的其他命令行参数 引言 gflags 是 Google 开发的一个开源库，用于 C 应用程序中命令行参数的声明、定义 和解析。 gflags 库提供了一种简单的方式来添加、解析和文档化命令行标…...
金融问答系统：如何用大语言模型打造高精度合规的金融知识引擎
假如我现在向大模型提问，我的问题是：请查询在2021年度，68**38股票涨停天数？ 或者我问：湖南*****科股份有限公司变更设立时作为发起人的法人有哪些？ 大模型巴拉巴拉给我一个答案，那怎么让我信任大…...
Spring WebFlux与Quarkus实战：云原生微服务开发的两大主流框架深度解析
简介 云原生与微服务架构已成为企业数字化转型的核心驱动力，而Spring WebFlux和Quarkus作为两大主流框架，各自提供了独特的解决方案来应对高并发、低延迟和快速启动的挑战。本文将从零开始，详细讲解如何使用这两个框架构建高性能的云原生微服务，并通过实际案例展示它们在企…...
成功案例丨从草图到鞍座：用先进的发泡成型仿真技术变革鞍座制造
案例简介 在鞍座制造中，聚氨酯泡沫成型工艺是关键环节，传统依赖实验测试的方法耗时且成本高昂。为解决这一问题，意大利自行车鞍座制造商 Selle Royal与Altair合作，采用Altair Inspire PolyFoam软件进行发泡成型仿真。 该工具帮助团…...
学习日志09 java
我要(ง •_•)ง！！ 1 面向对象里面的编程的属性，其实就是变量啦 在面向对象编程里，“属性”（Attribute）也被叫做 “成员变量” 或者 “字段”（Field），指的是类中用来存…...
深入解析Spring Boot与微服务架构：从入门到实践
深入解析Spring Boot与微服务架构：从入门到实践 引言 随着云计算和分布式系统的普及，微服务架构已成为现代软件开发的主流模式。Spring Boot作为Java生态中最受欢迎的框架之一，为开发者提供了快速构建微服务的强大工具。本文将深入探讨Spri…...
25考研经验贴（11408）
声明：以下内容都仅代表个人观点 数学一（130） 25考研数学一难度介绍：今年数学一整体不难，尤其是选填部分，大题的二型线面和概率论大题个人感觉比较奇怪，其他大题还是比较容易的。.26如何准备&a…...
Linux运行时的参数、命令、网络、磁盘参数和日志监控
一、监控 1. free 功能：用于查看系统内存使用情况，包括物理内存总量、已用内存、空闲内存、缓冲区（buffer）和缓存（cache）占用，以及交换内存（swap）的使用与剩余情况。常…...
Spring Boot循环依赖的陷阱与解决方案：如何打破“Bean创建死循环”？
引言 在Spring Boot开发中，你是否遇到过这样的错误信息？ The dependencies of some of the beans in the application context form a cycle 这表示你的应用出现了循环依赖。尽管Spring框架通过巧妙的机制解决了部分循环依赖问题，但在实际开…...
如何打造MVP（最小可行性产品）（MVP=核心功能+快速验证+用户反馈+持续迭代）
文章目录 **一、MVP的核心原则**1. **聚焦核心价值**2. **快速迭代**3. **低成本验证** **二、MVP的打造步骤****1. 定义目标用户和核心需求****2. 确定MVP的核心功能**- **筛选关键功能**：1. 用户是否愿意为这个功能付费？2. 实现该功能的技术难度和成本…...
conda init执行了还是不好用
按照gpt的方法，还是方法一：以管理员身份运行 PowerShell 并设置执行策略 好用 你遇到的问题是典型的 Conda 环境激活失败 错误，提示如下： CondaError: Run conda init before conda activate但你已经运行了 conda initÿ…...
crontab 定时任务不执行问题排查
*/5 * * * * sh /data03/jq/sparkjob.sh 定时任务不执行！ Cron默认丢弃输出，错误信息无法查看。 将输出和错误重定向到日志文件： /bin/sh /data03/jq/sparkjob.sh >> /tmp/sparkjob.log 2>&1 检查日志文件 /tmp/sparkjob.log 定…...
require/exports 或 import/export的联系和区别，各自的使用场景
以下是 require/exports（CommonJS）与 import/export（ES6 Modules）的对比分析及使用场景说明： 一、核心联系 模块化目标 两者都用于实现代码模块化，解决全局作用域污染和依赖管理问题。 跨环境适配…...
如何更改远程桌面连接的默认端口？附外网访问内网计算机方法
远程连接端口根据协议和场景不同有所差异，以下是常见远程连接端口的设置及修改方法，同时附外网访问内网计算机操作。 一、Windows远程桌面默认端口 默认端口：3389（TCP协议），用于Windows远程桌面服务&…...
模拟jenkins+k8s自动化部署
参考 Jenkins+k8s实现自动化部署 - 掘金 手把手教你用 Jenkins + K8S 打造流水线环境 - 简书 安装插件 调整插件升级站点 (提高插件下载速度) 默认地址 https://updates.jenkins.io/update-center.json 新地址 http://mirror.xmission.com/jenkins/updates/update-center.json …...
Jenkins教程
参考 Jenkins 用户手册 Jenkins User Documentation 在项目创建Jenkinsfile文件 添加分支源 报错 不自动拉取分支，改为手工指定分支 又报了一个错， 解决方法，参考： Jenkins中连接Git仓库时提示:无法连接仓库:Error performing git command: git ls-remote -h_霸道流…...
从验证码绕过到信息轰炸：全面剖析安全隐患与防范策略
在数字化交互场景中，验证码作为区分人类操作与自动化程序的核心屏障，广泛应用于用户身份核验、操作权限确认等关键环节。其设计初衷是通过人机识别机制，保障信息系统交互的安全性与可控性。然而，当验证码验证机制出现异常突破&…...
CSS：颜色的三种表示方式
文章目录 一、rgb和rgba方式二、HEX和HEXA方式（推荐）三、hsl和hsla方式四、颜色名方式 一、rgb和rgba方式 10进制表示方法 二、HEX和HEXA方式（推荐） 就是16进制表示法 三、hsl和hsla方式 语法：hsl(hue, satura…...
)
math toolkit for real-time development读书笔记一-三角函数快速计算(1)
一、基础知识 根据高中知识我们知道，很多函数都可以用泰勒级数展开。正余弦泰勒级数展开如下： 将其进一步抽象为公式可知： 正弦和余弦的泰勒级数具有高度结构化的模式，可拆解为以下核心特征： 1. 符号交替特性 正弦级…...
超市营业额数据分析
1.推出5名销冠 2.新领导想看看他15天以来的业绩总增长情况，以及增长额前3的柜台 3.把所有柜台的销售额分为3个等级 import pandas as pd import matplotlib.pyplot as plt import numpy as np# 设置中文字体和显示方式 plt.rcParams.update({font.sans-serif&...
labelimg安装及使用指南（yolo）
1.安装 首先要安装Anaconda，然后打开Anaconda Prompt 构建一个新的虚拟环境（注：虚拟环境的python的版本应在3.9及以下，不然会在运行中报错） conda create -n label python3.9 其中这里label只是一个名字，…...