OpenCV Tutorials 04 - 图像阈值和平滑处理

在计算机视觉任务中，图像预处理是提升算法鲁棒性的关键步骤。OpenCV作为最流行的计算机视觉库之一，提供了丰富的图像处理工具。本教程将聚焦图像阈值处理与平滑处理两大核心技术，通过理论解析与代码示例，帮助开发者掌握图像预处理的精髓。

一、图像阈值处理：从二值化到自适应阈值

1.1 阈值处理的基本原理

阈值处理的核心思想是通过设定一个或多个阈值，将灰度图像转换为二值图像（黑白图像）。其数学表达式为：
[
dst(x,y) =
\begin{cases}
maxVal & \text{if } src(x,y) > thresh \
0 & \text{otherwise}
\end{cases}
]
其中，src(x,y)为输入像素值，thresh为阈值，maxVal为满足条件时的输出值。

1.2 固定阈值处理（cv2.threshold）

OpenCV提供了cv2.threshold()函数实现固定阈值处理，支持5种阈值类型：

import cv2
import numpy as np
# 读取图像并转为灰度图
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
# 固定阈值处理
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
ret, thresh2 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY_INV)
ret, thresh3 = cv2.threshold(img, 127, 255, cv2.THRESH_TRUNC)
ret, thresh4 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO)
ret, thresh5 = cv2.threshold(img, 127, 255, cv2.THRESH_TOZERO_INV)

• THRESH_BINARY：超过阈值设为maxVal，否则设为0
• THRESH_BINARY_INV：与BINARY相反
• THRESH_TRUNC：超过阈值截断为阈值
• THRESH_TOZERO：低于阈值设为0
• THRESH_TOZERO_INV：高于阈值设为0

1.3 自适应阈值处理（cv2.adaptiveThreshold）

固定阈值在光照不均的场景下效果较差，此时需要自适应阈值处理：

# 自适应阈值处理
thresh_adaptive = cv2.adaptiveThreshold(
    img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, 
    cv2.THRESH_BINARY, 11, 2
)
thresh_gaussian = cv2.adaptiveThreshold(
    img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
    cv2.THRESH_BINARY, 11, 2
)

• ADAPTIVE_THRESH_MEAN_C：基于邻域均值计算阈值
• ADAPTIVE_THRESH_GAUSSIAN_C：基于邻域高斯加权和计算阈值
• 参数blockSize（邻域大小）和C（常数修正值）需根据实际场景调整

1.4 Otsu阈值法（自动阈值选择）

Otsu算法通过最大化类间方差自动确定最佳阈值：

ret, otsu_thresh = cv2.threshold(
    img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU
)

该方法特别适用于双峰直方图的图像，无需手动设定阈值。

二、图像平滑处理：降噪与边缘保留

2.1 平滑处理的作用

平滑处理（模糊处理）的主要目的包括：

• 消除高频噪声
• 减少图像细节（为后续处理做准备）
• 边缘检测前的预处理

2.2 均值滤波（cv2.blur）

均值滤波通过邻域像素平均实现平滑：

blurred = cv2.blur(img, (5,5))  # 5x5核

特点：计算简单，但会导致边缘模糊。

2.3 高斯滤波（cv2.GaussianBlur）

高斯滤波根据高斯函数分配权重：

gaussian_blurred = cv2.GaussianBlur(img, (5,5), 0)

参数说明：

• (5,5)：核大小（必须为正奇数）
• 0：标准差（设为0时根据核大小自动计算）

优势：在平滑的同时更好地保留边缘。

2.4 中值滤波（cv2.medianBlur）

中值滤波用邻域像素的中值替代中心像素：

median_blurred = cv2.medianBlur(img, 5)  # 核大小必须为正奇数

特点：对椒盐噪声特别有效，能保留边缘但计算量较大。

2.5 双边滤波（cv2.bilateralFilter）

双边滤波同时考虑空间距离和像素强度差异：

bilateral_blurred = cv2.bilateralFilter(img, 9, 75, 75)

参数说明：

• 9：邻域直径
• 75：颜色空间的标准差
• 75：坐标空间的标准差

优势：在平滑的同时有效保留边缘，适用于人像磨皮等场景。

三、实际应用建议

3.1 阈值处理的选择策略

1. 光照均匀场景：优先使用固定阈值或Otsu方法
2. 光照不均场景：采用自适应阈值处理
3. 实时系统：固定阈值计算量最小
4. 需要自动参数：Otsu方法无需手动调参

3.2 平滑处理的选择策略

1. 高斯噪声：优先使用高斯滤波
2. 椒盐噪声：中值滤波效果最佳
3. 边缘保留需求：双边滤波
4. 计算效率优先：均值滤波最快

3.3 组合使用示例

# 实际应用：先平滑后阈值
img = cv2.imread('noisy_image.jpg', cv2.IMREAD_GRAYSCALE)
# 1. 使用高斯滤波降噪
gaussian_blurred = cv2.GaussianBlur(img, (5,5), 0)
# 2. 使用Otsu方法进行阈值处理
ret, thresh = cv2.threshold(
    gaussian_blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU
)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Gaussian Blurred', gaussian_blurred)
cv2.imshow('Thresholded', thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、性能优化技巧

1. 核大小选择：通常选择3x3、5x5或7x7的奇数核
2. 数据类型处理：确保输入图像为单通道（灰度图）
3. 内存管理：对于大图像，考虑分块处理
4. GPU加速：OpenCV的CUDA模块可显著提升处理速度
5. 参数调优：使用滑动条交互式调整参数（示例）：
   ```python
   def nothing(x):
   pass

img = cv2.imread(‘image.jpg’, cv2.IMREAD_GRAYSCALE)
cv2.namedWindow(‘Threshold Demo’)
cv2.createTrackbar(‘Threshold’, ‘Threshold Demo’, 127, 255, nothing)

while True:
thresh_val = cv2.getTrackbarPos(‘Threshold’, ‘Threshold Demo’)
ret, thresh = cv2.threshold(img, thresh_val, 255, cv2.THRESH_BINARY)
cv2.imshow(‘Threshold Demo’, thresh)
if cv2.waitKey(1) == 27: # ESC键退出
break
cv2.destroyAllWindows()
```

五、常见问题解答

Q1：为什么阈值处理后图像全黑或全白？
A：检查阈值设置是否合理，对于8位图像，阈值范围应为0-255。可使用直方图分析确定合适阈值。

Q2：平滑处理后图像仍然有噪声怎么办？
A：尝试增大核大小或组合使用多种平滑方法（如先中值滤波后高斯滤波）。

Q3：如何平衡平滑效果和边缘保留？
A：对于需要保留边缘的场景，优先使用双边滤波或引导滤波（需OpenCV contrib模块）。

Q4：自适应阈值处理结果出现块状效应怎么办？
A：减小blockSize参数或改用高斯加权自适应阈值。

六、总结与展望

本教程系统介绍了OpenCV中图像阈值处理与平滑处理的核心方法，从基本原理到实际应用提供了完整的技术方案。开发者在实际项目中应：

1. 根据场景特点选择合适的处理方法
2. 通过实验确定最佳参数组合
3. 结合其他图像处理技术（如边缘检测、形态学操作）构建完整处理流程

后续教程将深入探讨图像分割、特征提取等高级主题，帮助开发者构建更复杂的计算机视觉系统。掌握这些基础技术是迈向专业计算机视觉开发的必经之路。