二值化

全局二值化

全局二值化是指：使用一个固定的阈值（threshold）对整个灰度图像进行处理，将图像中所有像素点的灰度值与该阈值比较，根据比较结果将像素点设置为两种极端值（通常是 0 和 255，即黑色和白色）。即将灰度图像转换为黑白二值图像。

它的核心思想是：假设图像中只有前景（目标）和背景两种区域，且两者的灰度值分布有明显差异，因此可以用一个全局阈值将它们分离。

import numpy as np
import cv2
#全局二值化
img = cv2.imread('lena.jpg')
new = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#参数可改变
ret,dst = cv2.threshold(new,127,255,cv2.THRESH_BINARY)
#dst = cv2.threshold(new,127,255,cv2.THRESH_BINARY)[1]
cv2.imshow('img', img)
cv2.imshow('new',new)
cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果对比:

代码注释
cv2.threshold() 参数说明
该函数是 OpenCV 实现全局二值化的核心函数，参数含义如下：
new：输入图像（必须是单通道灰度图，不能直接用彩色图）。
127：阈值（threshold），用于判断像素的灰度值。
255：最大值（maxval），当像素满足阈值条件时，被赋予的值（通常设为 255，表示白色）。
cv2.THRESH_BINARY：二值化类型，决定像素与阈值比较后的处理方式。
cv2.THRESH_BINARY：若像素灰度值 > 阈值 → 设为maxval（255，白色）；否则 → 设为 0（黑色）。
公式：dst(x,y) = maxval if src(x,y) > thresh else 0
cv2.THRESH_BINARY_INV：与THRESH_BINARY相反：若像素灰度值 > 阈值 → 设为 0（黑色）；否则 → 设为maxval（255，白色）。
cv2.THRESH_TRUNC：若像素灰度值 > 阈值 → 设为阈值（如 127）；否则 → 保持原灰度值（不转为 0）。
cv2.THRESH_TOZERO：若像素灰度值 > 阈值 → 保持原灰度值；否则 → 设为 0（黑色）。
cv2.THRESH_TOZERO_INV：与THRESH_TOZERO相反：若像素灰度值 > 阈值 → 设为 0；否则 → 保持原灰度值。
全局二值化的特点
优点：
实现简单，计算速度快（仅需一次遍历图像）。
适用于光照均匀、前景与背景灰度差异明显的图像（如文字识别中的黑白文档）。
缺点：
阈值是固定的，无法适应图像中光照不均匀的区域（例如：同一图像中有的地方亮、有的地方暗）。
若前景与背景的灰度值分布重叠较多（无明显分界），二值化效果会很差（目标与背景难以分离）。
总结
全局二值化是一种简单高效的图像分割方法，通过固定阈值将灰度图转为黑白二值图，适合处理光照均匀、目标与背景差异明显的图像。你的代码正确实现了这一过程，通过调整阈值（如 127）和二值化类型，可以得到不同的黑白分割效果。

自适应阈值二值化

自适应阈值二值化（Adaptive Thresholding），这是一种针对光照不均匀图像的二值化方法。与全局二值化使用固定阈值不同，它会根据图像局部区域的灰度特征自动计算每个区域的阈值，从而在复杂光照下获得更优的二值化效果。

什么是自适应阈值二值化？
自适应阈值二值化的核心思想是：将图像分割成多个局部区域，每个区域使用自己的阈值进行二值化。这种方法解决了全局二值化的局限性 —— 当图像存在光照不均（如部分区域亮、部分区域暗）时，固定阈值无法兼顾所有区域，而自适应阈值能让每个局部区域根据自身灰度分布确定阈值，从而更准确地分离前景与背景。

#自适应阈值二值化
import numpy as np
import cv2
#文字照片
img = cv2.imread('lena.jpg')
new = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#参数可改变
dst = cv2.adaptiveThreshold(new,255,cv2.ADAPTIVE_THRESH_MEAN_C,
                                cv2.THRESH_BINARY,3,0)
#dst = cv2.threshold(new,127,255,cv2.THRESH_BINARY)[1]
cv2.imshow('img', img)
cv2.imshow('new',new)
cv2.imshow('dst', dst)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果对比：

代码注释

# 先将彩色图转为灰度图（二值化前提）
new = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 自适应阈值二值化
dst = cv2.adaptiveThreshold(
    new,                # 输入：单通道灰度图
    255,                # 最大值（满足条件时赋予的像素值，通常为255）
    cv2.ADAPTIVE_THRESH_MEAN_C,  # 阈值计算方法（均值法）
    cv2.THRESH_BINARY,  # 二值化类型（与全局二值化的类型一致）
    3,                  # 块大小（局部区域的尺寸，必须是奇数）
    0                   # 常数C（阈值的调整值，计算出的局部均值减去C作为最终阈值）
)

cv2.adaptiveThreshold() 参数详解
1），输入图像（第一个参数）：
必须是单通道灰度图（如代码中的new）。
2），最大值（第二个参数）：
当像素满足阈值条件时，被赋予的值（通常设为 255，即白色）。
3），阈值计算方法（第三个参数）：
决定如何计算局部区域的阈值，有两种常用方式：
cv2.ADAPTIVE_THRESH_MEAN_C：
阈值 = 局部区域内所有像素的平均值 - 常数 C。
cv2.ADAPTIVE_THRESH_GAUSSIAN_C：
阈值 = 局部区域内所有像素的高斯加权平均值 - 常数 C（高斯加权会让区域中心像素的权重更高，边缘像素权重更低，对噪声更鲁棒）。
4），二值化类型（第四个参数）：
与全局二值化的类型一致，如cv2.THRESH_BINARY（大于阈值则为 255，否则为 0）、cv2.THRESH_BINARY_INV（反转结果）等。
5），块大小（第五个参数）：
定义 “局部区域” 的尺寸（如 3、5、7…），必须是奇数。
块大小越小：对局部细节越敏感，可能保留更多细节，但易受噪声影响。
块大小越大：对光照变化的平滑性越好，但可能模糊小目标（如细线条文字）。
6），常数 C（第六个参数）：
对计算出的局部均值（或高斯均值）进行微调，公式为：最终阈值 = 局部均值（或高斯均值） - C
C 为正数时：阈值降低，更多像素会被判定为前景（白色）。
C 为负数时：阈值升高，更多像素会被判定为背景（黑色）。
通常根据图像噪声情况调整，默认可设为 0。

总结
自适应阈值二值化通过 “局部区域自适应阈值” 解决了光照不均的问题，特别适合处理文字、文档扫描件（常存在阴影）或复杂光照下的图像。你的代码中使用了均值法计算局部阈值，通过调整块大小（如 3→11）和常数 C（如 0→5），可以适配不同的图像场景，得到更清晰的黑白分割效果。

二，基础操作

1，腐蚀

在形态学图像处理中，腐蚀是最基础的操作之一，其作用类似于 “侵蚀” 图像中的前景区域，通过指定的结构元素（核）对图像进行遍历，最终使前景目标 “收缩” 或 “细化”，常用于去除细小噪声、分离相邻目标或削弱目标边缘。
腐蚀的原理
腐蚀操作的核心逻辑是：
用一个预设的结构元素（核，Kernel）在图像上滑动，只有当核完全覆盖前景区域（即核内所有像素均为前景）时，核的中心像素才被保留为前景，否则被置为背景。
形象理解：可以将核想象成一个 “滑动窗口”，它会 “吞噬” 前景区域中无法完全容纳它的部分，最终使前景目标的边缘被侵蚀，尺寸缩小。

import cv2
import numpy as np

# 读取图像（通常用灰度图，前景为白色，背景为黑色）
img = cv2.imread('image.jpg', 0)  # 0表示以灰度图读取

# 定义结构元素（核），形状和大小决定腐蚀效果
kernel = np.ones((3, 3), np.uint8)  # 3x3矩形核（也可用cv2.getStructuringElement定义）
# 例如：十字形核 cv2.getStructuringElement(cv2.MORPH_CROSS, (5,5))

# 执行腐蚀操作（iterations为迭代次数，次数越多腐蚀越彻底）
eroded = cv2.erode(img, kernel, iterations=1)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Eroded', eroded)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果对比：

关键参数说明
1，结构元素（核）：
大小：核越大，腐蚀作用越强（目标收缩越明显）。例如 3x3 核腐蚀较弱，10x10 核腐蚀剧烈。
形状：常用矩形（MORPH_RECT）、十字形（MORPH_CROSS）、椭圆形（MORPH_ELLIPSE），形状会影响腐蚀的方向特性（如十字形核对线性特征的腐蚀更敏感）。
2，迭代次数（iterations）：默认值为 1，迭代次数越多，腐蚀效果叠加越明显（相当于多次执行腐蚀）。例如，用 3x3 核迭代 2 次，效果接近用 5x5 核迭代 1 次。

总结
腐蚀是通过结构元素 “侵蚀” 前景目标的操作，核心是 “收缩” 前景、去除细小成分。它是形态学处理的基础，常与膨胀结合使用（如开运算、闭运算），在图像去噪、目标分割等任务中应用广泛。

2，膨胀

在形态学图像处理中，膨胀 是与腐蚀相对的基础操作，其作用是 “扩张” 或 “加粗” 图像中的前景区域。通过指定的结构元素（核）对图像进行遍历，最终使前景目标的边缘向外扩展，常用于连接断裂的目标、填充细小空洞或增强目标的整体形态。

膨胀的原理
膨胀操作的核心逻辑是：
用一个预设的结构元素（核，Kernel）在图像上滑动，只要核与前景区域有任何重叠（即核内至少有一个像素为前景），核的中心像素就被置为前景。
形象理解：可以将核想象成一个 “刷子”，它会沿着前景区域的边缘 “向外涂抹”，使前景目标的边界扩张，尺寸增大。

import cv2
import numpy as np

# 读取图像（通常用灰度图，前景为白色，背景为黑色）
img = cv2.imread('image.jpg', 0)  # 0表示以灰度图读取

# 定义结构元素（核），形状和大小决定膨胀效果
kernel = np.ones((3, 3), np.uint8)  # 3x3矩形核（也可用cv2.getStructuringElement定义）
# 例如：椭圆形核 cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))

# 执行膨胀操作（iterations为迭代次数，次数越多膨胀越彻底）
dilated = cv2.dilate(img, kernel, iterations=1)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Dilated', dilated)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果对比：

关键参数说明
1，结构元素（核）：
大小：核越大，膨胀作用越强（目标扩张越明显）。例如 3x3 核膨胀较弱，10x10 核膨胀剧烈。
形状：常用矩形（MORPH_RECT）、十字形（MORPH_CROSS）、椭圆形（MORPH_ELLIPSE），形状会影响膨胀的方向特性（如十字形核对线性特征的扩张更明显）。
2，**迭代次数（iterations）：**默认值为 1，迭代次数越多，膨胀效果叠加越明显（相当于多次执行膨胀）。例如，用 3x3 核迭代 2 次，效果接近用 5x5 核迭代 1 次。

3，开运算

在形态学图像处理中，开运算 是一种基础组合形态学操作，由先腐蚀后膨胀 两个步骤组成，主要用于去除图像中的细小噪声、分离相邻物体、平滑目标边缘，同时基本保持目标的整体形状和大小不变。
即：
首先用结构元素（核，Kernel）对图像进行腐蚀操作，去除细小噪声和目标边缘的凸起部分；
然后对腐蚀后的结果用相同的核进行膨胀操作，恢复目标的主体形状（抵消腐蚀对目标主体的收缩影响）。
开运算的作用（去除噪点，黑底白噪点）
去除细小噪声：
腐蚀会 “吞噬” 小于核尺寸的噪声点，后续的膨胀会恢复目标主体，而噪声点因已被腐蚀去除，无法再被膨胀恢复，从而实现去噪。
分离相邻目标：
若两个目标因距离过近而粘连，腐蚀会先断开连接，再通过膨胀恢复各自的形状，实现分离。
平滑目标边缘：
腐蚀会消除边缘的尖锐凸起，膨胀会平滑边缘的凹陷，最终使目标边缘更规整（但可能丢失一些细节）。
保持目标整体形态：
由于腐蚀和膨胀使用相同的核，目标的主体大小和形状基本不变（仅去除细小部分）。

import cv2
import numpy as np

# 读取图像
img = cv2.imread('42.jpg')
if img is None:
    print("无法加载图像，请检查文件路径！")
    exit()

# ----------------------
# 给图像添加白噪点
# ----------------------
# 复制原图用于添加噪声（避免修改原图）
noise_img = img.copy()
# 获取图像尺寸
h, w, c = noise_img.shape
# 设置噪声比例（总像素的5%）
noise_ratio = 0.05
# 计算噪声像素数量
noise_count = int(h * w * noise_ratio)

# 随机生成白噪点（白色：BGR=255,255,255）
for _ in range(noise_count):
    # 随机选择像素位置
    x = np.random.randint(0, w)
    y = np.random.randint(0, h)
    # 设置为白色噪点
    noise_img[y, x] = [255, 255, 255]

# ----------------------
# 对含噪图像进行开运算
# ----------------------
# 定义结构元素（矩形核，3x3）
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 开运算（先腐蚀去除噪点，再膨胀恢复目标）
opening = cv2.morphologyEx(noise_img, cv2.MORPH_OPEN, kernel)

# ----------------------
# 显示结果
# ----------------------
cv2.imshow('Original', img)          # 原图
cv2.imshow('With White Noise', noise_img)  # 加白噪点图
cv2.imshow('After Opening', opening)      # 开运算结果
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果对比：

4.闭运算

在形态学图像处理中，闭运算是与开运算对应的基础组合操作，由先膨胀后腐蚀两个步骤组成，主要用于填充图像中前景区域的细小空洞、连接前景内部的断裂部分，同时基本保持目标的整体形状和大小不变。
即：
首先用结构元素（核，Kernel）对图像进行膨胀操作，填充前景中的细小空洞、连接断裂部分；
然后对膨胀后的结果用相同的核进行腐蚀操作，恢复目标的主体形状（抵消膨胀对目标主体的扩张影响）。
闭运算的作用
填充细小空洞：
膨胀会先 “扩张” 前景，填充内部小于核尺寸的空洞（背景区域），后续的腐蚀会收缩目标边缘，使空洞被永久填充，同时不显著改变目标的整体大小。
连接前景内部的断裂：
若前景区域内部有细小裂缝或断裂，膨胀会先连接这些断裂，再通过腐蚀恢复目标的原始轮廓，实现内部结构的修复。
平滑目标内部边缘：
膨胀会消除前景内部边缘的凹陷（空洞边缘），腐蚀会平滑外部边缘的凸起，使目标整体更完整、边缘更规整。
保持目标整体形态：
由于膨胀和腐蚀使用相同的核，目标的主体大小和形状基本不变（仅修复内部缺陷）。
关键参数：结构元素（核）
核的大小和形状直接影响闭运算效果：
核越大：能填充的空洞越大、连接的断裂越宽，但可能过度模糊目标细节。
核越小：仅能填充微小空洞和连接细裂缝，保留更多细节，但修复能力有限。
常用核形状：与开运算一致（矩形、椭圆、十字形），根据目标形状选择（如椭圆核适合填充圆形空洞）。

import cv2
import numpy as np

# 读取图像（确保图像有明显的白色前景区域）
img = cv2.imread('42.jpg')
if img is None:
    print("无法加载图像，请检查文件路径！")
    exit()

# 复制原图用于添加噪声（避免修改原图）
noise_img = img.copy()
# 转为灰度图用于判断白色区域（便于后续筛选白色像素）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化：将灰度值>200的区域视为“白色区域”（可根据图像调整阈值）
_, white_mask = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY)

# 获取白色区域的所有像素坐标
white_pixels = np.where(white_mask == 255)  # 返回(行坐标数组, 列坐标数组)
total_white = len(white_pixels[0])

if total_white == 0:
    print("图像中未检测到明显白色区域，无法添加内部噪点！")
    exit()

# ----------------------
# 在白色区域内部添加黑噪点（黑色：BGR=0,0,0）
# ----------------------
noise_ratio = 0.03  # 黑噪点占白色区域像素的3%（可调整密度）
noise_count = int(total_white * noise_ratio)

# 随机选择白色区域内的像素，设置为黑色噪点
indices = np.random.choice(total_white, noise_count, replace=False)
for i in indices:
    y = white_pixels[0][i]  # 行坐标
    x = white_pixels[1][i]  # 列坐标
    noise_img[y, x] = [0, 0, 0]  # 黑色噪点

# ----------------------
# 对含黑噪点的图像进行闭运算
# ----------------------
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 3x3矩形核
closing = cv2.morphologyEx(noise_img, cv2.MORPH_CLOSE, kernel)

# ----------------------
# 显示结果
# ----------------------
cv2.imshow('Original', img)               # 原图
cv2.imshow('White Area with Black Noise', noise_img)  # 白色区域含黑噪点图
cv2.imshow('After Closing', closing)      # 闭运算修复结果
cv2.waitKey(0)
cv2.destroyAllWindows()

代码说明：
1,识别白色区域：通过灰度化和二值化（阈值 200）提取图像中的白色区域（可根据实际图像亮度调整阈值，确保准确识别白色区域）。
2,添加黑噪点：仅在白色区域内部随机选择 3% 的像素点，将其设为黑色（模拟白色区域内的空洞、污渍等缺陷），避免在背景区域添加噪声（确保噪声位置符合 “内部缺陷” 的场景）。
3,闭运算修复原理：
第一步膨胀：白色区域会 “扩张”，填充内部的黑色噪点（黑噪点尺寸小于核时会被白色覆盖）。
第二步腐蚀：膨胀后的白色区域会收缩回原来的大小，最终黑色噪点被填充，白色区域恢复完整。
4,效果对比：运行后可观察到：
含噪图像中白色区域有许多黑色小点（模拟缺陷）。
闭运算结果中，大部分黑色噪点被填充，白色区域更完整（核尺寸越大，能填充的黑噪点越大）。
输出结果对比;

如果输出结果效果不好，可以更改核大小。

在 OpenCV 形态学操作（如腐蚀、膨胀、开运算、闭运算）中，iterations（迭代次数）是控制操作强度的关键参数，指同一形态学操作重复执行的次数。

5，iterations核心作用

iterations 决定操作的 “叠加效果”：
1）迭代次数越多，形态学效果越显著（如腐蚀更彻底、膨胀更明显）。
2）1 次迭代是基础效果，多次迭代相当于连续执行相同操作（用相同核）
关键特点
1，效果等价性：小核多次迭代 ≈ 大核单次迭代（但不完全相同）。
例：3x3 核迭代 2 次，效果接近 5x5 核迭代 1 次，但边缘平滑度不同。
2，对不同操作的影响：
腐蚀 / 膨胀：迭代次数越多，目标收缩 / 扩张越剧烈（可能导致目标变形、消失或粘连）。
开 / 闭运算：迭代次数越多，去噪 / 填充效果越强（但可能模糊细节）。
3，注意事项：迭代次数并非越多越好，需根据目标尺寸和需求调整（如处理细小噪声用 1-2 次，修复大缺陷用 3-5 次）。