OpenCV 工业视觉学习笔记（二）：固定阈值、OTSU 与自适应阈值

前言

在上一篇文章中，学习了 OpenCV 中的 Mat、图像读取、显示、保存以及灰度化。

将彩色图像转换为灰度图之后，下一步通常是把目标区域从背景中分离出来。

在传统图像处理中，最常用、最基础的图像分割方法之一就是阈值分割。

阈值分割的核心思想是：

根据像素灰度值，将图像中的像素划分为目标和背景两部分。

例如，一张灰度图中：

背景灰度较亮；
缺陷区域灰度较暗。

那么可以设置一个阈值，将低于阈值的像素划分为缺陷，高于阈值的像素划分为背景。

本篇主要学习以下内容：

什么是二值图像；
固定阈值分割；
threshold() 函数的参数；
常见阈值类型；
OTSU 自动阈值；
Triangle 三角阈值；
自适应阈值；
全局阈值与自适应阈值的区别；
阈值分割在工业视觉中的应用；
常见问题和参数选择方法。

一、什么是二值图像

二值图像通常只有两种像素值：

0
255

其中：

0 表示黑色；
255 表示白色。

例如，一张原始灰度图中包含不同亮度的像素：

20、50、80、120、180、220

设置阈值为 100 后，可以将图像转换为：

0、0、0、255、255、255

这样，原本包含大量灰度级别的图像，就被划分成了黑色区域和白色区域。

二值化之后，图像结构会更加简单，便于进行后续处理，例如：

连通域分析；
轮廓提取；
缺陷面积计算；
目标计数；
形态学处理；
孔洞检测；
尺寸测量；
区域筛选。

二、固定阈值分割

OpenCV 使用 threshold() 函数进行固定阈值分割。

基本写法如下：

Mat binary;
threshold(gray, binary, 100, 255, THRESH_BINARY);

其中：

gray：输入灰度图；
binary：输出二值图；
100：设置的阈值；
255：满足条件后赋予的最大值；
THRESH_BINARY：阈值处理类型。

完整示例：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat source = imread("D:/images/test.jpg");

    if (source.empty())
    {
        cerr << "图像读取失败" << endl;
        return -1;
    }

    Mat gray;
    cvtColor(source, gray, COLOR_BGR2GRAY);

    Mat binary;
    threshold(gray, binary, 100, 255, THRESH_BINARY);

    imshow("原始图像", source);
    imshow("灰度图", gray);
    imshow("固定阈值结果", binary);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

三、threshold 函数参数说明

threshold() 的函数形式可以简化理解为：

double threshold(
    InputArray src,
    OutputArray dst,
    double thresh,
    double maxValue,
    int type
);

各参数含义如下。

1. src

输入图像。

固定阈值分割通常输入单通道灰度图：

CV_8UC1

例如：

threshold(gray, binary, 100, 255, THRESH_BINARY);

2. dst

输出图像。

输出图像的尺寸通常与输入图像一致。

3. thresh

设定的分割阈值。

例如：

表示使用灰度值 100 作为目标与背景的分界线。

4. maxValue

当像素满足阈值条件时，赋予的像素值。

二值图中通常使用：

因此结果中的目标区域通常显示为白色。

5. type

阈值处理方式。

常见类型包括：

THRESH_BINARY
THRESH_BINARY_INV
THRESH_TRUNC
THRESH_TOZERO
THRESH_TOZERO_INV

还可以与自动阈值方法组合：

THRESH_OTSU
THRESH_TRIANGLE

6. 返回值

threshold() 不仅会生成输出图像，还会返回实际使用的阈值。

double usedThreshold = threshold(
    gray,
    binary,
    100,
    255,
    THRESH_BINARY
);

在普通固定阈值模式下，返回值通常就是传入的阈值。

在 OTSU 或 Triangle 模式下，返回的是算法自动计算出的阈值。

四、THRESH_BINARY

THRESH_BINARY 是最常用的阈值类型。

它的规则可以表示为：

如果像素值大于阈值，输出 maxValue；
否则输出 0。

代码：

threshold(gray, binary, 100, 255, THRESH_BINARY);

假设输入像素值为：

50、100、150、200

阈值为：

输出结果为：

0、0、255、255

需要注意，OpenCV 的判断条件是：

像素值 > 阈值

而不是大于等于。

五、THRESH_BINARY_INV

THRESH_BINARY_INV 是反向二值化。

规则为：

如果像素值大于阈值，输出 0；
否则输出 maxValue。

代码：

threshold(
    gray,
    binaryInverse,
    100,
    255,
    THRESH_BINARY_INV
);

假设输入像素值为：

50、100、150、200

输出结果为：

255、255、0、0

THRESH_BINARY 和 THRESH_BINARY_INV 的选择，主要取决于希望目标区域显示为白色还是黑色。

在后续进行轮廓提取、连通域分析或者形态学处理时，通常更习惯让目标区域为白色，也就是非零区域。

例如：

黑色缺陷位于白色背景上；
希望把黑色缺陷提取为白色；
可以使用 THRESH_BINARY_INV。

六、THRESH_TRUNC

THRESH_TRUNC 表示截断阈值。

规则为：

如果像素值大于阈值，就将其设置为阈值；
否则保留原值。

代码：

Mat result;
threshold(gray, result, 100, 255, THRESH_TRUNC);

假设输入像素值为：

50、80、120、200

阈值为：

输出结果为：

50、80、100、100

这里的 maxValue 参数不会像二值化那样直接作为输出值。

这种方法不会生成真正的二值图，而是将较亮的区域统一压缩到阈值位置。

七、THRESH_TOZERO

THRESH_TOZERO 的规则为：

如果像素值大于阈值，保留原值；
否则设置为 0。

代码：

threshold(gray, result, 100, 255, THRESH_TOZERO);

假设输入像素值为：

50、80、120、200

输出结果为：

0、0、120、200

这种方法会保留较亮区域中的原始灰度信息。

八、THRESH_TOZERO_INV

THRESH_TOZERO_INV 与 THRESH_TOZERO 相反。

规则为：

如果像素值大于阈值，设置为 0；
否则保留原值。

代码：

threshold(
    gray,
    result,
    100,
    255,
    THRESH_TOZERO_INV
);

假设输入像素值为：

50、80、120、200

输出结果为：

50、80、0、0

这种方法会保留较暗区域中的原始灰度信息。

九、几种阈值类型对比

下面使用同一张灰度图，观察不同阈值类型的效果。

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat source = imread(
        "D:/images/test.jpg",
        IMREAD_GRAYSCALE
    );

    if (source.empty())
    {
        cerr << "图像读取失败" << endl;
        return -1;
    }

    Mat binary;
    Mat binaryInv;
    Mat truncResult;
    Mat toZero;
    Mat toZeroInv;

    threshold(
        source,
        binary,
        100,
        255,
        THRESH_BINARY
    );

    threshold(
        source,
        binaryInv,
        100,
        255,
        THRESH_BINARY_INV
    );

    threshold(
        source,
        truncResult,
        100,
        255,
        THRESH_TRUNC
    );

    threshold(
        source,
        toZero,
        100,
        255,
        THRESH_TOZERO
    );

    threshold(
        source,
        toZeroInv,
        100,
        255,
        THRESH_TOZERO_INV
    );

    imshow("Gray", source);
    imshow("THRESH_BINARY", binary);
    imshow("THRESH_BINARY_INV", binaryInv);
    imshow("THRESH_TRUNC", truncResult);
    imshow("THRESH_TOZERO", toZero);
    imshow("THRESH_TOZERO_INV", toZeroInv);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

在工业视觉项目中，最常用的通常还是：

THRESH_BINARY

和：

THRESH_BINARY_INV

因为大部分区域分析算法都需要清晰的二值区域。

十、固定阈值的问题

固定阈值的优点是：

逻辑简单；
速度快；
结果稳定；
参数容易理解；
适合光照稳定的工业环境。

但是固定阈值也存在明显问题。

假设设置：

threshold(gray, binary, 120, 255, THRESH_BINARY);

如果图像的亮度发生变化：

第一张图像整体较亮；
第二张图像整体较暗；
第三张图像局部存在阴影。

固定阈值 120 可能只适合其中一张图像。

这时可能出现：

目标区域缺失；
背景被误分为目标；
同一个目标被切成多个区域；
阴影区域被识别为缺陷；
高光区域被错误排除。

因此，固定阈值更适合以下情况：

相机位置固定；
曝光时间固定；
光源稳定；
产品表面差异较小；
背景灰度稳定；
目标和背景对比明显。

这也是工业视觉系统强调光源设计和遮光结构的重要原因。

很多时候，一个稳定的光学环境比复杂的算法更加有效。

十一、OTSU 自动阈值

当无法确定固定阈值时，可以使用 OTSU 自动阈值。

OTSU 也称为大津法。

它会根据图像的灰度直方图，自动寻找一个合适的分割阈值。

代码如下：

Mat binary;

double otsuThreshold = threshold(
    gray,
    binary,
    0,
    255,
    THRESH_BINARY | THRESH_OTSU
);

需要注意：

THRESH_BINARY | THRESH_OTSU

表示将普通二值化方式和 OTSU 自动阈值组合使用。

此时传入的阈值参数：

不会作为最终阈值使用。

最终阈值由 OTSU 算法自动计算。

可以通过返回值获取自动计算出的阈值：

cout << "OTSU计算出的阈值："
     << otsuThreshold
     << endl;

十二、OTSU 的基本原理

一张适合使用 OTSU 的图像，其灰度直方图通常具有两个比较明显的峰值：

一个峰值对应背景；
一个峰值对应目标。

OTSU 会尝试找到一个阈值，将图像分成两类：

前景；
背景。

它的目标是：

让同一类别内部的灰度差异尽量小，让不同类别之间的灰度差异尽量大。

可以简单理解为：

目标内部尽量相似；
背景内部尽量相似；
目标与背景之间尽量不同。

OTSU 会遍历可能的阈值，并选择分类效果最好的一个。

十三、OTSU 完整示例

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat source = imread("D:/images/test.jpg");

    if (source.empty())
    {
        cerr << "图像读取失败" << endl;
        return -1;
    }

    Mat gray;
    cvtColor(source, gray, COLOR_BGR2GRAY);

    Mat binary;

    double otsuValue = threshold(
        gray,
        binary,
        0,
        255,
        THRESH_BINARY | THRESH_OTSU
    );

    cout << "OTSU自动阈值："
         << otsuValue
         << endl;

    imshow("原始图像", source);
    imshow("灰度图", gray);
    imshow("OTSU结果", binary);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

十四、OTSU 反向二值化

如果目标比背景更暗，希望将目标提取为白色，可以使用：

threshold(
    gray,
    binary,
    0,
    255,
    THRESH_BINARY_INV | THRESH_OTSU
);

这里 OTSU 负责自动计算阈值，而 THRESH_BINARY_INV 负责决定黑白方向。

因此需要区分两个概念：

OTSU 决定阈值是多少；
THRESH_BINARY 或 THRESH_BINARY_INV 决定输出方向。

十五、OTSU 前为什么经常进行滤波

如果图像中存在大量噪声，灰度直方图可能会变得不稳定，从而影响 OTSU 的阈值选择。

因此，在执行 OTSU 前，经常先进行高斯滤波。

Mat blurred;
GaussianBlur(
    gray,
    blurred,
    Size(5, 5),
    0
);

Mat binary;
double otsuValue = threshold(
    blurred,
    binary,
    0,
    255,
    THRESH_BINARY | THRESH_OTSU
);

完整代码：

Mat source = imread("D:/images/test.jpg");

if (source.empty())
{
    return -1;
}

Mat gray;
cvtColor(source, gray, COLOR_BGR2GRAY);

Mat blurred;
GaussianBlur(
    gray,
    blurred,
    Size(5, 5),
    0
);

Mat binary;
double value = threshold(
    blurred,
    binary,
    0,
    255,
    THRESH_BINARY | THRESH_OTSU
);

cout << "OTSU阈值：" << value << endl;

高斯滤波可以减少细小噪点对灰度分布的干扰。

但是滤波核也不能设置得过大，否则可能导致：

小缺陷被模糊掉；
边缘位置发生偏移；
相邻区域发生粘连；
细线结构消失。

十六、OTSU 的适用条件

OTSU 比较适合：

目标与背景灰度差异明显；
图像灰度直方图具有双峰特征；
图像整体光照较均匀；
前景和背景可以近似分成两类。

OTSU 不太适合：

图像存在明显亮度渐变；
局部阴影严重；
背景灰度变化很大；
图像包含多个不同灰度区域；
目标面积特别小；
目标灰度与背景高度重叠。

如果一张图像中，背景占据绝大部分，而缺陷只占很少像素，OTSU 可能更倾向于按照背景内部的灰度变化进行分割，而不是准确提取小缺陷。

因此，OTSU 是自动计算阈值，但并不代表它适合所有图像。

十七、Triangle 三角阈值

OpenCV 还提供了另一种自动阈值方法：

THRESH_TRIANGLE

使用方式如下：

Mat binary;

double triangleValue = threshold(
    gray,
    binary,
    0,
    255,
    THRESH_BINARY | THRESH_TRIANGLE
);

Triangle 方法同样会根据灰度直方图自动计算阈值。

它通常更适合：

灰度直方图只有一个明显主峰；
目标只占图像的一小部分；
直方图呈现长尾分布；
前景和背景比例差异较大。

例如，图像中大部分区域都是背景，只有少量较亮或较暗的缺陷时，Triangle 有时会比 OTSU 更有效。

不过，具体效果仍然需要结合实际图像进行测试。

十八、OTSU 与 Triangle 不能同时使用

下面这种写法是不合理的：

THRESH_OTSU | THRESH_TRIANGLE

因为两者都是自动计算阈值的方法，只能选择其中一种。

正确写法：

THRESH_BINARY | THRESH_OTSU

或者：

THRESH_BINARY | THRESH_TRIANGLE

十九、什么是自适应阈值

固定阈值和 OTSU 都属于全局阈值。

全局阈值的特点是：

整张图像使用同一个阈值。

例如：

整张图像的阈值全部为 120

但是如果图像存在亮度不均匀：

左侧较亮；
右侧较暗；
中间有阴影；
边缘存在光照衰减。

整张图像使用同一个阈值，就可能无法获得理想结果。

自适应阈值的核心思想是：

根据像素周围的局部区域，为不同位置计算不同的阈值。

因此：

图像左侧可能使用阈值 130；
图像右侧可能使用阈值 90；
阴影区域可能使用阈值 70。

这种方式更适合光照不均匀的图像。

二十、adaptiveThreshold 函数

OpenCV 使用 adaptiveThreshold() 进行自适应阈值分割。

基本写法：

Mat binary;

adaptiveThreshold(
    gray,
    binary,
    255,
    ADAPTIVE_THRESH_MEAN_C,
    THRESH_BINARY,
    11,
    2
);

函数可以简化理解为：

adaptiveThreshold(
    输入图像,
    输出图像,
    最大值,
    局部阈值计算方法,
    二值化类型,
    邻域大小,
    常数C
);

二十一、adaptiveThreshold 参数说明

1. 输入图像

输入图像通常要求是：

CV_8UC1

也就是 8 位单通道灰度图。

如果输入的是彩色图，需要先灰度化：

Mat gray;
cvtColor(source, gray, COLOR_BGR2GRAY);

2. 输出图像

输出为二值图像。

3. maxValue

目标像素最终赋予的最大值。

通常设置为：

4. adaptiveMethod

局部阈值的计算方法。

有两种常见方式：

ADAPTIVE_THRESH_MEAN_C

和：

ADAPTIVE_THRESH_GAUSSIAN_C

5. thresholdType

自适应阈值只支持常用二值化方向：

THRESH_BINARY

或者：

THRESH_BINARY_INV

6. blockSize

计算局部阈值时使用的邻域大小。

例如：

表示使用当前像素周围的 11 × 11 区域计算局部阈值。

blockSize 必须满足：

大于 1；
必须是奇数。

例如：

3、5、7、9、11、15、21

都可以。

下面这些值不可以：

0、1、2、4、10

7. C

从局部计算结果中减去的常数。

例如：

C = 2

局部阈值可以简单理解为：

局部统计值 - C

C 会影响最终分割区域的大小和敏感程度。

二十二、局部均值自适应阈值

使用：

ADAPTIVE_THRESH_MEAN_C

表示局部阈值由邻域内像素的平均值计算得到。

代码：

adaptiveThreshold(
    gray,
    binaryMean,
    255,
    ADAPTIVE_THRESH_MEAN_C,
    THRESH_BINARY,
    11,
    2
);

可以简单理解为：

当前像素阈值 = 邻域平均灰度值 - C

二十三、局部高斯自适应阈值

使用：

ADAPTIVE_THRESH_GAUSSIAN_C

表示根据高斯加权平均值计算局部阈值。

代码：

adaptiveThreshold(
    gray,
    binaryGaussian,
    255,
    ADAPTIVE_THRESH_GAUSSIAN_C,
    THRESH_BINARY,
    11,
    2
);

高斯方式会让距离当前像素较近的像素具有更大的权重。

相比普通均值方式，它通常对局部亮度变化的处理更加平滑。

二十四、自适应阈值完整示例

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat source = imread("D:/images/test.jpg");

    if (source.empty())
    {
        cerr << "图像读取失败" << endl;
        return -1;
    }

    Mat gray;
    cvtColor(source, gray, COLOR_BGR2GRAY);

    Mat binaryMean;
    Mat binaryGaussian;

    adaptiveThreshold(
        gray,
        binaryMean,
        255,
        ADAPTIVE_THRESH_MEAN_C,
        THRESH_BINARY,
        11,
        2
    );

    adaptiveThreshold(
        gray,
        binaryGaussian,
        255,
        ADAPTIVE_THRESH_GAUSSIAN_C,
        THRESH_BINARY,
        11,
        2
    );

    imshow("原始图像", source);
    imshow("灰度图", gray);
    imshow("局部均值阈值", binaryMean);
    imshow("局部高斯阈值", binaryGaussian);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

二十五、blockSize 的影响

blockSize 决定计算局部阈值时参考多大的区域。

blockSize 较小

例如：

blockSize = 3

或者：

blockSize = 5

特点：

对局部变化非常敏感；
可以保留小结构；
容易把噪点提取出来；
二值结果可能比较碎。

blockSize 较大

例如：

blockSize = 31

或者：

blockSize = 51

特点：

局部阈值变化更加平滑；
对噪点不那么敏感；
可能忽略较小目标；
可能导致细节丢失。

因此，blockSize 应根据目标尺寸选择。

一个常见思路是：

邻域尺寸应该大于需要检测的局部纹理或缺陷尺寸，但又不能大到失去局部意义。

例如，一个缺陷宽度大约为 5 个像素，可以尝试：

11、15、21

而不是直接使用：

二十六、C 参数的影响

自适应阈值中的 C 会从局部均值或高斯加权均值中减去。

对于：

THRESH_BINARY

可以简单理解为：

像素值 > 局部均值 - C

则输出白色。

当 C 增大时，局部阈值会降低，因此更容易满足：

像素值 > 阈值

最终白色区域可能会增多。

当 C 减小时，局部阈值会提高，白色区域可能会减少。

但是实际图像的黑白变化还与：

THRESH_BINARY；
THRESH_BINARY_INV；
图像本身的亮暗关系；

有关。

因此不能只靠背结论，最好通过参数实验观察结果。

二十七、使用滑动条调节固定阈值

为了直观观察不同阈值的效果，可以使用滑动条动态调节。

#include <opencv2/opencv.hpp>

using namespace cv;

Mat grayImage;
Mat binaryImage;

int thresholdValue = 100;

void OnThresholdChanged(int, void*)
{
    threshold(
        grayImage,
        binaryImage,
        thresholdValue,
        255,
        THRESH_BINARY
    );

    imshow("二值图", binaryImage);
}

int main()
{
    Mat source = imread("D:/images/test.jpg");

    if (source.empty())
    {
        return -1;
    }

    cvtColor(source, grayImage, COLOR_BGR2GRAY);

    namedWindow("二值图", WINDOW_NORMAL);

    createTrackbar(
        "阈值",
        "二值图",
        &thresholdValue,
        255,
        OnThresholdChanged
    );

    OnThresholdChanged(0, nullptr);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

通过拖动滑动条，可以观察：

阈值较小时哪些区域被提取；
阈值较大时哪些区域被合并；
目标和背景在哪个阈值附近分离得最好。

这种方式很适合前期进行参数验证。

二十八、固定阈值、OTSU 和自适应阈值对比

方法	阈值数量	优点	缺点
固定阈值	一个手动阈值	快、稳定、可控	对光照变化敏感
OTSU	一个自动阈值	不需要手动设置阈值	不适合明显光照不均
Triangle	一个自动阈值	适合单峰长尾分布	对部分图像效果不稳定
自适应阈值	每个局部区域一个阈值	适合亮度不均匀	容易产生噪点，参数较多

二十九、如何选择阈值方法

情况一：光照稳定，产品一致

优先考虑固定阈值：

threshold(
    gray,
    binary,
    120,
    255,
    THRESH_BINARY
);

原因是固定阈值：

速度快；
结果可预测；
参数容易管理；
不会因为不同图片的灰度分布而自动变化。

工业视觉系统追求的是稳定，而不是算法看起来更加智能。

情况二：整体亮度变化，但目标和背景仍然明显分离

可以考虑 OTSU：

threshold(
    gray,
    binary,
    0,
    255,
    THRESH_BINARY | THRESH_OTSU
);

例如：

曝光存在轻微波动；
不同批次产品整体亮度略有不同；
图像仍然具有明显的双峰灰度分布。

情况三：背景占绝大多数，目标很少

可以测试 Triangle：

threshold(
    gray,
    binary,
    0,
    255,
    THRESH_BINARY | THRESH_TRIANGLE
);

情况四：图像存在局部阴影或亮度渐变

可以考虑自适应阈值：

adaptiveThreshold(
    gray,
    binary,
    255,
    ADAPTIVE_THRESH_GAUSSIAN_C,
    THRESH_BINARY,
    21,
    5
);

情况五：背景变化复杂

如果自适应阈值仍然无法稳定分割，可能需要先进行背景校正，例如：

大尺度模糊估计背景；
原图减去背景图；
光照补偿；
顶帽变换；
黑帽变换；
颜色空间分割；
局部对比度增强。

因此，阈值算法并不是解决所有图像分割问题的唯一方法。

三十、工业视觉中的实际思路

在工业检测中，通常不会直接读取图像后立刻二值化，而是先完成一系列预处理。

一个常见流程如下：

读取图像
    ↓
截取 ROI
    ↓
灰度化
    ↓
滤波降噪
    ↓
亮度校正或对比度增强
    ↓
阈值分割
    ↓
形态学处理
    ↓
连通域或轮廓分析
    ↓
面积、宽高、位置筛选

对应代码结构可能如下：

Mat source = imread("D:/images/test.jpg");

Mat roi = source(
    Rect(100, 100, 500, 300)
);

Mat gray;
cvtColor(roi, gray, COLOR_BGR2GRAY);

Mat blurred;
GaussianBlur(
    gray,
    blurred,
    Size(5, 5),
    0
);

Mat binary;
threshold(
    blurred,
    binary,
    120,
    255,
    THRESH_BINARY_INV
);

阈值分割只是整个检测流程中的一个步骤。

最终检测是否稳定，还取决于：

光源；
相机曝光；
镜头；
产品定位；
ROI；
滤波方式；
阈值方式；
后处理逻辑；
特征筛选条件。

三十一、一个简单的暗缺陷提取示例

假设：

产品表面较亮；
缺陷区域较暗；
希望将缺陷提取为白色。

可以使用反向二值化：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat source = imread("D:/images/defect.jpg");

    if (source.empty())
    {
        cerr << "读取失败" << endl;
        return -1;
    }

    Mat gray;
    cvtColor(source, gray, COLOR_BGR2GRAY);

    Mat blurred;
    GaussianBlur(
        gray,
        blurred,
        Size(5, 5),
        0
    );

    Mat binary;
    double thresholdValue = threshold(
        blurred,
        binary,
        0,
        255,
        THRESH_BINARY_INV | THRESH_OTSU
    );

    cout << "自动阈值："
         << thresholdValue
         << endl;

    imshow("原图", source);
    imshow("灰度图", gray);
    imshow("暗缺陷区域", binary);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

此时：

较暗区域会变成白色；
较亮背景会变成黑色；
后续可以对白色区域进行面积和形状分析。

三十二、阈值分割后为什么经常有噪点

二值化后出现很多白色小点，常见原因包括：

原图本身存在噪声；
产品表面纹理较多；
阈值设置不合理；
自适应阈值邻域太小；
自适应阈值的 C 不合适；
光照不均匀；
图像压缩造成伪影；
表面存在反光。

可以尝试：

GaussianBlur()

或者：

medianBlur()

进行滤波。

二值化后还可以使用形态学开运算去除小噪点：

Mat kernel = getStructuringElement(
    MORPH_RECT,
    Size(3, 3)
);

Mat opened;
morphologyEx(
    binary,
    opened,
    MORPH_OPEN,
    kernel
);

不过形态学操作会在后续文章中单独学习。

三十三、常见问题

1. threshold 可以直接处理彩色图吗

普通阈值处理应先转换成单通道灰度图：

Mat gray;
cvtColor(source, gray, COLOR_BGR2GRAY);

然后再执行：

threshold(gray, binary, 100, 255, THRESH_BINARY);

2. 为什么 OTSU 中阈值参数写 0

因为启用：

THRESH_OTSU

后，阈值由算法自动计算。

因此下面的参数：

只是占位，并不是实际阈值。

3. OTSU 自动计算的阈值怎么获取

通过 threshold() 的返回值获取：

double value = threshold(
    gray,
    binary,
    0,
    255,
    THRESH_BINARY | THRESH_OTSU
);

4. 为什么 OTSU 的效果反而不如固定阈值

因为 OTSU 只根据当前图像的灰度分布自动寻找阈值。

如果图像：

没有明显双峰；
目标区域太小；
光照不均匀；
背景纹理复杂；

OTSU 可能无法获得理想结果。

固定阈值虽然简单，但在稳定工业环境中往往更加可靠。

5. 自适应阈值为什么产生很多纹理

因为自适应阈值会比较每个像素和局部背景之间的差异。

产品表面的轻微纹理，也可能被认为是局部目标。

可以尝试：

增大 blockSize；
调整 C；
先进行高斯滤波；
先进行背景校正；
使用连通域面积筛选。

6. blockSize 为什么必须是奇数

因为需要以当前像素为中心，向四周取相同范围的邻域。

例如：

3 × 3
5 × 5
11 × 11

都可以明确确定中心像素。

而偶数尺寸没有唯一的中心位置。

7. 应该使用 THRESH_BINARY 还是 THRESH_BINARY_INV

通常希望后续需要处理的目标区域为白色。

因此：

目标比背景亮，通常使用 THRESH_BINARY；
目标比背景暗，通常使用 THRESH_BINARY_INV。

不过最终还是需要根据实际黑白方向进行判断。

三十四、完整对比代码

下面使用同一张图像对比固定阈值、OTSU 和自适应阈值。

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat source = imread("D:/images/test.jpg");

    if (source.empty())
    {
        cerr << "图像读取失败" << endl;
        return -1;
    }

    Mat gray;
    cvtColor(source, gray, COLOR_BGR2GRAY);

    Mat blurred;
    GaussianBlur(
        gray,
        blurred,
        Size(5, 5),
        0
    );

    Mat fixedBinary;
    threshold(
        blurred,
        fixedBinary,
        120,
        255,
        THRESH_BINARY
    );

    Mat otsuBinary;
    double otsuValue = threshold(
        blurred,
        otsuBinary,
        0,
        255,
        THRESH_BINARY | THRESH_OTSU
    );

    Mat meanBinary;
    adaptiveThreshold(
        blurred,
        meanBinary,
        255,
        ADAPTIVE_THRESH_MEAN_C,
        THRESH_BINARY,
        21,
        5
    );

    Mat gaussianBinary;
    adaptiveThreshold(
        blurred,
        gaussianBinary,
        255,
        ADAPTIVE_THRESH_GAUSSIAN_C,
        THRESH_BINARY,
        21,
        5
    );

    cout << "OTSU阈值："
         << otsuValue
         << endl;

    imshow("原始图像", source);
    imshow("灰度图", gray);
    imshow("固定阈值", fixedBinary);
    imshow("OTSU", otsuBinary);
    imshow("自适应均值", meanBinary);
    imshow("自适应高斯", gaussianBinary);

    waitKey(0);
    destroyAllWindows();

    return 0;
}

运行后，需要重点观察：

哪种方法能够完整保留目标；
哪种方法产生的噪点较少；
目标边缘是否准确；
光照较暗区域是否仍能被提取；
相同参数能否适用于多张图像。

不能只根据单张图像判断算法是否有效。

工业视觉算法需要使用多张不同情况的图像进行验证，例如：

正常产品；
不同缺陷；
亮度波动；
位置偏差；
产品批次变化；
边缘和中心区域；
临界样本。

三十五、本篇总结

本篇主要学习了 OpenCV 中的阈值分割。

需要重点掌握以下内容：

二值图像通常只包含 0 和 255；
threshold() 用于全局阈值分割；
THRESH_BINARY 用于正向二值化；
THRESH_BINARY_INV 用于反向二值化；
固定阈值适合光照稳定的工业环境；
OTSU 可以自动计算一个全局阈值；
OTSU 更适合目标和背景灰度差异明显的图像；
Triangle 适合部分单峰、长尾灰度分布；
自适应阈值会根据局部区域计算不同阈值；
blockSize 必须是大于 1 的奇数；
C 会影响局部阈值和最终白色区域；
自适应阈值适合光照不均匀的图像；
自动阈值并不一定比固定阈值更加稳定；
阈值分割结果还需要结合滤波、形态学和区域筛选进行处理。

在工业视觉项目中，算法的目标不是在某一张图像上获得最好看的结果，而是在不同批次、不同时间和轻微环境变化下，仍然能够保持稳定。

posted on 2026-08-01 22:56 南小欢阅读(3) 评论(0) 收藏举报