1. 图像分割与阈值处理基础

第一次接触图像分割时，我被这个看似高深的概念吓到了。直到有一天，我用手机给身份证拍照存档，发现背景太杂乱影响识别效果，同事告诉我可以用"抠图"功能把背景变成纯白色——这其实就是最简单的图像分割应用。在计算机视觉中，图像分割就像是用不同颜色的马克笔给照片分区涂色，而阈值处理就是其中最基础的"涂色规则"。

OpenCV中的阈值处理本质上是通过设定一个门槛值，把图像的像素分为"通过"和"不通过"两类。想象你在流水线上分拣苹果，设定直径7厘米为阈值，大于7厘米的进入优质果通道，小于等于7厘米的进入普通果通道，这就是最直观的阈值分割。在数字图像中，这个"直径"变成了像素的灰度值，通常用0-255的数值表示。

我处理过的一个典型案例是生产线上的零件检测。当光照条件稳定时，简单的阈值分割就能准确区分零件和背景。但有一次车间换了照明设备，原先设定的阈值突然失效——这就是全局阈值最大的软肋：对光照变化过于敏感。下面这段代码展示了最基本的阈值分割操作：

import cv2
img = cv2.imread('parts.jpg', 0)  # 读取灰度图像
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

2. 全局阈值处理的五种招式

在OpenCV的threshold函数中，type参数就像武侠小说里的武功招式，不同的类型会产生完全不同的分割效果。我最常用的是以下五种：

2.1 二值化（THRESH_BINARY）

这招最简单直接，效果就像用黑白印章盖在图像上。处理规则是：像素值>阈值时设为最大值，否则设为0。在文档扫描时特别管用，能把模糊的铅笔字变成清晰的印刷体效果。但遇到反光严重的纸张就会出问题，我曾在处理会议纪要时把反光点误识别为文字。

_, binary = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY)

2.2 反二值化（THRESH_BINARY_INV）

相当于把二值化的结果反转，白变黑、黑变白。在医学影像处理中很常见，比如X光片想要突出骨骼结构时。有次处理CT扫描图，反二值化后意外发现了一个微小的骨折痕迹，这个案例让我印象深刻。

2.3 截断处理（THRESH_TRUNC）

这个模式像给图像"封顶"，超过阈值的像素被压扁到阈值高度。适合处理过度曝光的照片，我曾用它挽救过一批过曝的产品展示图，保留了高光区域的细节。但要注意，输出仍是灰度图而非二值图。

2.4 零处理（THRESH_TOZERO系列）

包含两种变化：TOZERO是低于阈值归零，TOZERO_INV是高于阈值归零。就像选择性失明，只关注特定亮度区间的信息。在分析热成像图时，我常用它来聚焦特定温度区间。

3. 自适应阈值：应对光照不均的利器

去年处理停车场监控画面时，我发现同一个画面中，阳光直射区域和阴影区域需要完全不同的阈值。这时全局阈值就力不从心了，自适应阈值应运而生。它就像个智能调节的探照灯，走到哪里就按当地亮度调整标准。

OpenCV提供两种自适应方法：

• 均值法（ADAPTIVE_THRESH_MEAN_C）：取邻域平均值减去常数C
• 高斯法（ADAPTIVE_THRESH_GAUSSIAN_C）：按高斯分布加权计算

实测发现，高斯法在保留细节方面更优，但计算量稍大。blockSize参数很关键，太小会引入噪声，太大又可能模糊边界。经过多次测试，我总结出一个经验公式：blockSize ≈ 图像短边长度/30 + 1（取奇数）。

adaptive = cv2.adaptiveThreshold(img, 255, 
                cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                cv2.THRESH_BINARY, 21, 5)

4. Otsu算法：自动找阈值的黑科技

Otsu算法是我最欣赏的阈值确定方法，它能自动找到最佳分割点。原理很巧妙：通过最大化类间方差来寻找阈值，相当于在两个灰度峰之间找到最佳分界线。但要注意几个使用细节：

1. 图像必须是双峰直方图（有明显的前景和背景区分）
2. 调用时要将阈值参数设为0
3. 需要加上THRESH_OTSU标志

有次处理古代文献扫描件，墨迹深浅不一，手动调阈值费时费力。改用Otsu算法后，不仅效率提升，识别准确率还提高了15%。但遇到直方图单峰的情况（比如雾天照片），Otsu就会失效。

_, otsu = cv2.threshold(img, 0, 255, 
               cv2.THRESH_BINARY+cv2.THRESH_OTSU)

5. 实战对比：不同场景下的算法选择

通过一个实际案例来对比三种方法：我们要分割一张光照不均的工业零件图像。原始图像左侧有强光照射，右侧处于阴影中。

全局阈值（127）结果：

• 左侧：过曝区域完全丢失细节
• 右侧：阴影区域误判为前景
• 适用场景：光照均匀的文档扫描

自适应阈值（blockSize=31, C=5）结果：

• 左侧：保留了螺钉纹理
• 右侧：正确识别了边缘
• 适用场景：监控视频、医学影像

Otsu算法结果：

• 整体效果均衡但不够精细
• 适用场景：双峰直方图的自然图像

在我的项目经验中，这三种方法常常需要组合使用。比如先用自适应阈值做初步分割，再用Otsu算法优化局部区域。对于特别复杂的场景，还需要结合边缘检测等方法。