正常一个图像分为 R、G、B、三个通道，彩色照片中的每个像素值（生活中的某一中颜色）都是由不同R、G、B的值组合在一起的，比如下面这种：
而 图片去色之后变成灰度图，也就是我们所常见的黑白照片，其实生活中所谓的 "黑白照片"有一定的歧义，仔细观察会发现里面会参杂着不同程度的灰色：
真正意义上的 黑白照片 中只有黑色跟白色，要么是白色，要么是黑色；把一张灰度图变成这样的 黑白照片 也称之为 图像的 二值化：
图像的二值化一般经过下面几个步骤：
图像灰度图转化，多通道变单通道；
设置阈值，在设置一个新值（介于黑—白之间的颜色），高于这个颜色设为新值，否则设为另外一个颜色；
选择调节方法阈值；
OpenCv 中有分为几类阈值：简单阈值、自适应阈值和 Otsu’s 二值化，其实这几种方法都是关于图像二值化处理：
简单阈值
简单阈值原理，设置一个阈值，高于这个阈值的图像赋予一个新值，低于这个阈值赋予另一种颜色，用到的函数主要是 cv2.threshhold()；里面需要用到4个参数：第一个是需要处理的原图像；第二个是 设置的阈值，第三个是需要赋予的新的像素值；第四个参数是 不同的阈值方法：
cv2.THRESH_BINARY;
cv2.THRESH_BINARY_INV;
cv2.THRESH_TRUNC;
cv2.THRESH_TOZERO;
cv2.THRESH_TOZERO_INV;
五种阈值方法区别如下：
import cv2 import numpy as np from matplotlib import pyplot as plt img_path = 'D:/ceshi.jpg' img = cv2.imread(img_path) #灰度图转化；；； img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,th1 = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY) ret,th2 = cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY_INV) ret,th3 = cv2.threshold(img_gray,127,255,cv2.THRESH_TRUNC) ret,th4 = cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO) ret,th5 = cv2.threshold(img_gray,127,255,cv2.THRESH_TOZERO_INV) titles = ['oringnal','gray_img','BINGARY','BINGARY_INV','TRUNC','TOZERO','TOZERO_INV'] images = [img,img_gray,th1,th2,th3,th4,th5] i = 0 for i in range(7): plt.subplot(3,3,i+1) plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
阈值展示效果如下：
可以从图像中可以很清楚地看到 不同阈值之间的区别与联系；Threshold（）函数返回的有两个值，第二个才是我们要的图像
自适应阈值
这一部分选取处理图像如下：
简单阈值又称之为全句阈值，就是整个图像发生改变，图像中的像素值分布只有两种，一种是大于初设的阈值区域，另外一种就是小于初设的阈值，对于图像阈值处理方面具有一定的局限性，OpenCv 中又引入了一种 自适应阈值 方法，使得图像中不同亮度部分最终显示不同效果，
**自适应阈值 ** 是根据图像上 每一小区域来进行计算 其对应阈值，也就是不同区域会设置不同的阈值效果，
OpenCv 中 自适应阈值函数用到的函数为： adaptiveThreshold()，里面包含有6个参数：
第一个跟简单阈值一样，是源图像 img；
第二个就是赋予的新像素值；
第三个为 Adaptive Method 指定计算阈值的方法,有两种：
cv2.ADPTIVE_THRESH_MENA_C：阈值取子相邻区域的平均值；
cv2.ADPTOVE_THRESH_GAUSSIAN_C：阈值取值相邻区域的加权和，权重为一个高斯窗口。
第四个就是需要选用的阈值方法，简单阈值中用到过的，例如：cv2.THRESH_BINARY；
第五个参数为 Block Size —邻域大小（用来计算阈值的区域大小）。
第六个参数 C 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值；
提醒一下，在做 自适应阈值 之前，需要对图片进行 一下 中值滤波处理 ；计算指定大小区域的平均像素值并把这一区域的像素值统一赋值；
下来可以看一下 自适应阈值 与 简单阈值 之间的区别，以及 自适应阈值 不同计算方法之间的差别：
import cv2 import numpy as np from matplotlib import pyplot as plt #图片读入灰度图 img1 =cv2.imread('E:/7.jpg',0) #中值滤波 img = cv2.medianBlur(img1,5) #简单阈值 ret, th1 = cv2.threshold(img,127,255,cv2.THRESH_BINARY) th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,11,2) th3 =cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY,11,5) th4 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2) th5 =cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,5) titles = [ 'origianl_ images','means-image','gloabal(v = 127)','Mean(C =2)', 'Mean(C =5)','Gayssian(C = 2)', 'Gayssian(C = 5)' ] images =[img1,img,th1,th2,th3,th4,th5] num = 1 for i in range(2,6): plt.subplot(2,2,num),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) num += 1 plt.show()
展示效果：
这里我用到的图片比较模糊，所以展示的效果很差，下面我贴一下官网上的效果图：
Otsu’s 二值化
无论是 简单阈值 ，还是 自适应阈值 ，我们在处理之前都不可避免地需要考虑 阈值 设置问题，设置的好坏对于最后成像起到很大的影响，但是怎样设置一最适合的阈值呢？不断尝试？
而这个就是 Ostu 二值化要做的，通过根据图像的直方图分布计算出一个阈值 ，但是对于 非双峰图像来说，这种方法得到的结果可能不太理想，Ostu 二值化 用到的函数同样是 cv2.threshold(),
在之前的 简单阈值 部分中，cv2.threshold() 函数返回了两个值，第二个参数是我们最后要的图像，而第一个 rerval ，其实就是这里我们要计算的的最佳阈值，Ostu二值化 与 **简单阈值 **之间 一个重要的区别，就是需要多传入一个参数：cv2.THRESH_OSTU ，同时把 threshold() 函数中设定的阈值一定要设为 0；
import cv2 import numpy as np from matplotlib import pyplot as plt #图片读入灰度图 img1 =cv2.imread('E:/9.jpg',0) #简单阈值处理 ret1,th1 = cv2.threshold(img1,127,255,cv2.THRESH_BINARY) #Ostu thresholding ret2,th2 = cv2.threshold(img1,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) # Ostu ‘ s thresholding after Gaussian FILTERING #5,5为高斯核的大小，0为标准差； blur =cv2.GaussianBlur(img1,(5,5),0) ret3,th3 =cv2.threshold(blur,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU) ## plot all the images and their histogram images =[img1,0,th1, img1,0,th2, blur,0,th3] titles =[ 'Ori','Hist','Glo(v =127)', 'Ori', 'Hist', 'Ostu', 'Gass', 'Hist', 'Ostu', ] #治理使用 pyplot绘制直方图，参数为一维数组，用到了numpy.ravel()函数； 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()
这里选取一个带有噪点的图像，对于第一、二排是分别对图像做了 简单阈值 和 Ostu二值化 ，而对于第三副图，先对带噪点的图像做了一个高斯核出去噪音，然后再进行 二值化；
下面利用 pyplot 函数展示每一排分别代表为：处理之前的图像、未处理的直方图、处理之后的图像；
因为这里处理的元图像很模糊，所以处理之后的效果并不明显，这里贴一张官方的图片：
怎么样是不是很赞，而我处理的原图像就下面这样子。。。。。
：
