在机器视觉开发中，阈值分割（Thresholding）是最基础且应用最广泛的图像处理方法之一。它能够快速将目标区域与背景分离，是字符识别、缺陷检测、尺寸测量等场景中的核心预处理步骤。

本文将深入解析阈值分割的原理，介绍 OpenCV 中常见的几种阈值类型，并提供完整的 Python 代码示例。

一、什么是阈值分割？

阈值分割的核心原理非常直观：对于图像中的每一个像素，根据其灰度值与预设阈值的关系，将其映射为新的灰度值。

基本规则：

• 若像素灰度值 大于 阈值 → 设为白色（255）；
• 否则 → 设为黑色（0）。

原理示例

假设原始灰度图像如下：

20   60  120
90  180  250
30  160  210

设定阈值 thresh = 100，处理后得到的二值图像为：

 0    0  255
 0  255  255
 0  255  255

通过这种方式，我们可以得到一幅黑白分明的二值图像，从而简化后续的特征提取工作。

二、固定阈值分割

OpenCV 提供了 cv2.threshold() 函数用于执行固定阈值分割。

函数定义

retval, dst = cv2.threshold(src, thresh, maxval, type)

参数说明

参数名	描述
src	输入图像，必须为单通道灰度图。
thresh	阈值大小。
maxval	满足条件时赋予像素的最大值（通常设为 255）。
type	阈值类型，决定具体的映射规则。

基础代码示例

import cv2

# 读取图片并转为灰度图
img = cv2.imread("test.png", 0)

# 执行固定阈值分割
# 灰度 > 120 的像素变为 255，其余变为 0
_, binary = cv2.threshold(img, 120, 255, cv2.THRESH_BINARY)

cv2.imshow("Binary Image", binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、常见阈值类型详解

OpenCV 主要支持五种阈值类型，适用于不同的应用场景：

1. cv2.THRESH_BINARY（二值化）

规则：

$$\begin{gathered} src(x,y)>thresh\to dst(x,y)=maxval \\ src(x,y)\le thresh\to dst(x,y)=0 \end{gathered}$$

适用场景： 提取亮色目标。

2. cv2.THRESH_BINARY_INV（反二值化）

规则：

$$\begin{gathered} src(x,y)>thresh\to dst(x,y)=0 \\ src(x,y)\le thresh\to dst(x,y)=maxval \end{gathered}$$

适用场景： 提取暗色目标（如黑字白底）。

3. cv2.THRESH_TRUNC（截断/截尾）

规则：

$$\begin{gathered} src(x,y)>thresh\to dst(x,y)=thresh \\ src(x,y)\le thresh\to dst(x,y)=src(x,y) \end{gathered}$$

效果： 将所有高于阈值的像素“截断”至阈值水平，低于阈值的保持不变。

示例：

• 原图：[50, 100, 180, 220] (阈值=120)
• 结果：[50, 100, 120, 120]

4. cv2.THRESH_TOZERO（零阈值）

规则：

$$\begin{gathered} src(x,y)>thresh\to dst(x,y)=src(x,y) \\ src(x,y)\le thresh\to dst(x,y)=0 \end{gathered}$$

效果： 保留高亮部分，将低亮度部分置黑。

5. cv2.THRESH_TOZERO_INV（反零阈值）

规则：

$$\begin{gathered} src(x,y)>thresh\to dst(x,y)=0 \\ src(x,y)\le thresh\to dst(x,y)=src(x,y) \end{gathered}$$

效果： 保留低亮度部分，将高亮度部分置黑。

四、实际案例：提取白色目标

在工业视觉中，除了使用 cv2.threshold()，我们更常使用 cv2.inRange() 进行范围筛选。这种方法在处理颜色或特定灰度区间时更加灵活。

代码示例

import cv2

# 读取彩色图像
img = cv2.imread("label.png")

# 转换为灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 使用 inRange 提取灰度值在 [120, 255] 之间的像素
# 这本质上也是一种基于范围的阈值分割
mask = cv2.inRange(gray, 120, 255)

cv2.imshow("Mask", mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意： cv2.inRange 返回的是掩膜（Mask），其中符合条件的像素为 255，不符合的为 0。它在处理非均匀光照或颜色分割时往往比简单的全局阈值更有效。

五、寻找目标轮廓

阈值分割完成后，通常需要进行轮廓提取以定位目标位置。

核心函数

contours, hierarchy = cv2.findContours(
    image,       # 二值图像或掩膜
    mode,        # 轮廓检索模式
    method       # 轮廓近似方法
)

绘制轮廓

# 复制原图用于绘制
draw = img.copy()

# 查找外部轮廓
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制所有轮廓（绿色，线宽2）
cv2.drawContours(draw, contours, -1, (0, 255, 0), 2)

cv2.imshow("Result", draw)
cv2.waitKey(0)
cv2.destroyAllWindows()

后续分析指标

获得轮廓后，可以进一步计算以下几何特征，广泛应用于质量检测：

• 面积 (Area)： 判断目标大小。
• 长宽比 (Aspect Ratio)： 筛选形状异常的目标。
• 外接矩形 (Bounding Rect)： 获取目标边界框。
• 圆度 (Circularity)： 判断是否为圆形缺陷。
• 中心点 & 旋转角度： 用于定位和对齐。

六、完整实战示例

以下代码整合了从读取、预处理、阈值分割到轮廓检测及可视化的完整流程，并增加了面积过滤以去除噪声。

import cv2

def process_image(image_path):
    # 1. 读取图片
    img = cv2.imread(image_path)
    if img is None:
        print("Error: Could not read image.")
        return

    # 2. 转换为灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    # 3. 阈值分割 (提取高亮区域)
    # 这里使用 inRange 提取灰度值 >= 120 的部分
    mask = cv2.inRange(gray, 120, 255)

    # 4. 查找轮廓
    # RETR_EXTERNAL: 只检测最外层轮廓
    # CHAIN_APPROX_SIMPLE: 压缩水平和垂直分量，只保留端点
    contours, _ = cv2.findContours(
        mask, 
        cv2.RETR_EXTERNAL, 
        cv2.CHAIN_APPROX_SIMPLE
    )

    # 5. 处理并绘制有效轮廓
    result = img.copy()
    
    for cnt in contours:
        # 计算轮廓面积
        area = cv2.contourArea(cnt)
        
        # 过滤掉面积过小的噪声点
        if area < 500:
            continue
        
        # 获取外接矩形
        x, y, w, h = cv2.boundingRect(cnt)
        
        # 在原图上绘制矩形框
        cv2.rectangle(result, (x, y), (x + w, y + h), (0, 255, 0), 2)

    # 6. 显示结果
    cv2.imshow("Original Mask", mask)
    cv2.imshow("Detection Result", result)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

# 运行示例
if __name__ == "__main__":
    process_image("test.png")

七、总结

尽管阈值分割是图像处理中最基础的技术，但在工业视觉领域仍占据着不可替代的地位。

• 优势： 算法简单、计算速度快、实时性强。
• 适用场景： 背景稳定、目标与背景灰度差异明显的场景（如标签检测、字符定位、简单缺陷检测）。
• 最佳实践： 在实际项目中，阈值分割很少单独使用。它通常作为预处理步骤，与形态学处理（去噪）、轮廓分析（特征提取）以及模板匹配等算法结合，构建鲁棒性更强的视觉检测流水线。