使用工具：Python3.5 使用库：cv2 原始图像  1.简单阈值 cv2.threshold , cv2.adaptiveThreshold 当像素值高于阈值时，我们给这个像素赋予一个新值（可能是白色），否则我们给它赋予另外一种颜色（也许是黑色）。这个函数就是cv2.threshold()。这个函数的第一个参数就是原图像，原图像应该是灰度图。第二个参数就是用来对像素值进行分类的阈值，第三个参数就是当像素值高于（或者小于）阈值时，应该被赋予新的像素值。OpenCV提供了多种不同的阈值方法，这是有第四个参数来决定的。方法包括： cv2.THRESH_BINARY cv2.THRESH_BINARY_INV cv2.THRESH_TRUNC cv2.THRESH_TOZERO cv2.THRESH_TOZERO_INV  上图摘选自《学习 OpenCV》中文版，其实这些在文档中都有详细介绍了，你也可以直接查看文档。 这个函数有两个返回值，第一个为retVal，后面会解释，第二个就是阈值化之后的结果图像了。 ~~~ import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('719100.jpg',0) 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) titles = ['original image','Binary','binary-inv','trunc','tozero','tozero-inv'] images = [img,thresh1,thresh2,thresh3,thresh4,thresh5] for i in range(6): plt.subplot(2,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show() ~~~ 为了在同一个窗口显示更多的图像，使用plt.subplot()。**这里不推荐plt显示，由上图可以看出，与原图相差太多，具体原因暂未找出，以后找出会及时更新。**  2.自适应阈值 根据图像上的每一个小区域计算与其对应的阈值。因此在同一幅图像上的不同区域采用的是不同的阈值，从而使我们能在亮度不同的情况下得到更好的结果。 这种方法需要我们指定三个参数，返回值只有一个。 Adaptive Method 指定计算阈值的方法 -cv2.ADAPTIVE_THRESH_MEAN_C:阈值取自相邻区域的平均值 -cv2.ADAPTIVE_THRESH_GAUSSIAN_C:阈值取自相邻区域的加权和，权重为一个高斯窗口 Block Size 邻域大小（用来计算阈值的区域大小） C这就是一个常数，阈值就等于的平均值或者加权平均值减去这个常数 ~~~ import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('719100.jpg',0) #中值滤波 img = cv2.medianBlur(img,5) ret , th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY) # 11为block size，2为C值 th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C , cv2.THRESH_BINARY,11,2 ) th3 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C , cv2.THRESH_BINARY,11,2) titles = ['original image' , 'global thresholding (v=127)','Adaptive mean thresholding', 'adaptive gaussian thresholding'] images = [img,th1,th2,th3] for i in range(4): plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show() ~~~ **这里不推荐plt显示，由上图可以看出，与原图相差太多，具体原因暂未找出，以后找出会及时更新。**  3.Otsu's二值化 我们前面说到，cv2.threshold函数是有两个返回值的，前面一直用的第二个返回值，也就是阈值处理后的图像，那么第一个返回值（得到图像的阈值）将会在这里用到。 前面对于阈值的处理上，我们选择的阈值都是127，那么实际情况下，怎么去选择这个127呢？有的图像可能阈值不是127得到的效果更好。那么这里我们需要算法自己去寻找到一个阈值，而Otsu’s就可以自己找到一个认为最好的阈值。并且Otsu’s非常适合于图像灰度直方图具有双峰的情况，他会在双峰之间找到一个值作为阈值，对于非双峰图像，可能并不是很好用。那么经过Otsu’s得到的那个阈值就是函数cv2.threshold的第一个参数了。因为Otsu’s方法会产生一个阈值，那么函数cv2.threshold的的第二个参数（设置阈值）就是0了，并且在cv2.threshold的方法参数中还得加上语句cv2.THRESH_OTSU。 ~~~ import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('719100.jpg',0) ret1,th1=cv2.threshold(img,127,255,cv2.THRESH_BINARY) ret2,th2=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) #(5,5)为高斯核的大小，0为标准差 blur= cv2.GaussianBlur(img,(5,5),0) #阈值一定要设为0 ret3,th3=cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) images=[img,0,th1, img,0,th2, img,0,th3] titles =['original noisy image','histogram','global thresholding(v=127)', 'original noisy image','histogram',"otsu's thresholding", 'gaussian giltered image','histogram',"otus's thresholding"] #这里使用了pyplot中画直方图的方法，plt.hist要注意的是他的参数是一维数组 #所以这里使用了（numpy）ravel方法，将多维数组转换成一维，也可以使用flatten方法 for i in range(3): plt.subplot(3,3,i*3+1),plt.imshow(images[i*3],'gray') plt.title(titles[i*3]),plt.xticks([]),plt.yticks([]) plt.subplot(3,3,i*3+2),plt.hist(images[i*3].ravel(),256) plt.title(titles[i*3+1]),plt.xticks([]),plt.yticks([]) plt.subplot(3,3,i*3+3),plt.imshow(images[i*3+2],'gray') plt.title(titles[i*3+2]),plt.xticks([]),plt.yticks([]) plt.show() ~~~ **这里不推荐plt显示，由上图可以看出，与原图相差太多，具体原因暂未找出，以后找出会及时更新。**