OpenCV Tutorials 04 - 图像阈值和平滑处理

一、图像阈值处理：从灰度到二值的转换艺术

图像阈值处理是计算机视觉中最基础且重要的预处理步骤之一，其核心目标是通过设定阈值将灰度图像转换为二值图像，从而突出目标物体或消除噪声。OpenCV提供了多种阈值处理方法，每种方法适用于不同的应用场景。

1. 全局阈值处理（Global Thresholding）

全局阈值处理是最简单的阈值化方法，它对整个图像应用一个固定的阈值。OpenCV中的cv2.threshold()函数实现了这一功能，其基本语法如下：

ret, thresh = cv2.threshold(src, thresh, maxval, type)

• src：输入图像（必须为单通道灰度图）
• thresh：设定的阈值
• maxval：当像素值超过阈值时赋予的新值
• type：阈值化类型，常见的有：
  • cv2.THRESH_BINARY：超过阈值设为maxval，否则设为0
  • cv2.THRESH_BINARY_INV：与THRESH_BINARY相反
  • cv2.THRESH_TRUNC：超过阈值设为阈值本身，否则不变
  • cv2.THRESH_TOZERO：超过阈值不变，否则设为0
  • cv2.THRESH_TOZERO_INV：与THRESH_TOZERO相反

应用场景：全局阈值处理适用于光照均匀、背景简单的图像，如文档扫描、简单物体检测等。

代码示例：

import cv2
import numpy as np
# 读取图像并转为灰度图
img = cv2.imread('image.jpg', 0)
# 全局阈值处理
ret, thresh1 = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Global Threshold', thresh1)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 自适应阈值处理（Adaptive Thresholding）

当图像光照不均匀时，全局阈值处理的效果会大打折扣。此时，自适应阈值处理成为更好的选择。它根据图像的局部区域计算阈值，从而适应不同的光照条件。OpenCV中的cv2.adaptiveThreshold()函数实现了这一功能：

thresh = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

• src：输入图像（必须为单通道灰度图）
• maxValue：超过阈值时赋予的新值
• adaptiveMethod：阈值计算方法，常见的有：
  • cv2.ADAPTIVE_THRESH_MEAN_C：局部邻域块的平均值减去常数C
  • cv2.ADAPTIVE_THRESH_GAUSSIAN_C：局部邻域块的高斯加权和减去常数C
• thresholdType：阈值化类型（与cv2.threshold()中的type相同）
• blockSize：邻域块的大小（奇数）
• C：从均值或加权均值减去的常数

应用场景：自适应阈值处理适用于光照不均匀的图像，如户外场景、复杂背景下的物体检测等。

代码示例：

import cv2
import numpy as np
# 读取图像并转为灰度图
img = cv2.imread('image.jpg', 0)
# 自适应阈值处理
thresh2 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, 
                                cv2.THRESH_BINARY, 11, 2)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Adaptive Threshold', thresh2)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. Otsu阈值处理（Otsu’s Thresholding）

Otsu阈值处理是一种自动确定最佳全局阈值的方法，它通过最大化类间方差来找到最优阈值。OpenCV中的cv2.threshold()函数结合cv2.THRESH_OTSU标志可以实现Otsu阈值处理：

ret, thresh3 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

应用场景：Otsu阈值处理适用于双峰直方图的图像（即图像中存在明显的亮区和暗区），如医学图像、某些工业检测场景等。

代码示例：

import cv2
import numpy as np
# 读取图像并转为灰度图
img = cv2.imread('image.jpg', 0)
# Otsu阈值处理
ret, thresh3 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Otsu Threshold', thresh3)
cv2.waitKey(0)
cv2.destroyAllWindows()

二、图像平滑处理：消除噪声的利器

图像平滑处理是图像预处理中的另一个重要步骤，其目的是消除图像中的噪声，同时保留图像的重要特征。OpenCV提供了多种平滑滤波技术，包括均值滤波、高斯滤波、中值滤波和双边滤波。

1. 均值滤波（Mean Filtering）

均值滤波是一种简单的线性滤波方法，它通过计算邻域内像素的平均值来替换中心像素的值。OpenCV中的cv2.blur()或cv2.boxFilter()函数可以实现均值滤波：

blur = cv2.blur(img, (ksize, ksize))
# 或
blur = cv2.boxFilter(img, -1, (ksize, ksize), normalize=True)

• img：输入图像
• ksize：滤波核的大小（奇数）
• normalize：是否归一化（True时为均值滤波，False时为求和滤波）

应用场景：均值滤波适用于消除高斯噪声，但会导致图像模糊，尤其是边缘部分。

代码示例：

import cv2
import numpy as np
# 读取图像
img = cv2.imread('image.jpg')
# 均值滤波
blur = cv2.blur(img, (5, 5))
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Mean Filter', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

2. 高斯滤波（Gaussian Filtering）

高斯滤波是一种基于高斯分布的线性滤波方法，它通过对邻域内像素进行高斯加权平均来替换中心像素的值。OpenCV中的cv2.GaussianBlur()函数可以实现高斯滤波：

blur = cv2.GaussianBlur(img, (ksize, ksize), sigmaX)

• img：输入图像
• ksize：滤波核的大小（奇数）
• sigmaX：高斯核在X方向的标准差

应用场景：高斯滤波适用于消除高斯噪声，且对边缘的模糊程度小于均值滤波。

代码示例：

import cv2
import numpy as np
# 读取图像
img = cv2.imread('image.jpg')
# 高斯滤波
blur = cv2.GaussianBlur(img, (5, 5), 0)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Gaussian Filter', blur)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 中值滤波（Median Filtering）

中值滤波是一种非线性滤波方法，它通过计算邻域内像素的中值来替换中心像素的值。OpenCV中的cv2.medianBlur()函数可以实现中值滤波：

median = cv2.medianBlur(img, ksize)

• img：输入图像
• ksize：滤波核的大小（奇数）

应用场景：中值滤波适用于消除椒盐噪声（即图像中的随机黑白点），且对边缘的保留效果较好。

代码示例：

import cv2
import numpy as np
# 读取图像
img = cv2.imread('image.jpg')
# 中值滤波
median = cv2.medianBlur(img, 5)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Median Filter', median)
cv2.waitKey(0)
cv2.destroyAllWindows()

4. 双边滤波（Bilateral Filtering）

双边滤波是一种非线性滤波方法，它同时考虑空间邻近度和像素值相似度，从而在消除噪声的同时保留边缘。OpenCV中的cv2.bilateralFilter()函数可以实现双边滤波：

bilateral = cv2.bilateralFilter(img, d, sigmaColor, sigmaSpace)

• img：输入图像
• d：滤波时考虑的邻域直径
• sigmaColor：颜色空间的标准差
• sigmaSpace：坐标空间的标准差

应用场景：双边滤波适用于需要保留边缘的图像平滑处理，如人脸美化、艺术风格化等。

代码示例：

import cv2
import numpy as np
# 读取图像
img = cv2.imread('image.jpg')
# 双边滤波
bilateral = cv2.bilateralFilter(img, 9, 75, 75)
# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Bilateral Filter', bilateral)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、总结与建议

图像阈值处理和平滑处理是计算机视觉中不可或缺的预处理步骤。阈值处理能够将灰度图像转换为二值图像，从而突出目标物体；平滑处理则能够消除噪声，提升图像质量。在实际应用中，应根据图像的特点和需求选择合适的阈值化方法和平滑滤波技术。

建议：

1. 对于光照均匀的图像，优先使用全局阈值处理；对于光照不均匀的图像，使用自适应阈值处理。
2. 对于高斯噪声，使用高斯滤波；对于椒盐噪声，使用中值滤波。
3. 在需要保留边缘的场景下，优先考虑双边滤波。
4. 结合Otsu阈值处理可以自动确定最佳全局阈值，提升处理效率。

通过掌握这些技术，开发者能够更有效地处理图像数据，为后续的计算机视觉任务（如目标检测、图像分割等）奠定坚实的基础。