计算机视觉 / 系统课时
使用固定阈值
使用固定阈值
固定阈值把每个像素与同一个阈值比较,再按选定模式重写像素值。本节用可重复的灰度数组演示五种常用模式,并说明它们在二值化、截断和保留亮部或暗部时的差异。
学习目标
- 掌握
cv2.threshold的返回值和参数含义 - 区分普通、反向、截断与保留类阈值模式
- 根据输出目标选择合适的固定阈值方式
固定阈值的核心规则
cv2.threshold(src, thresh, maxval, type) 返回两个值:实际使用的阈值和处理后的图像。固定阈值模式下,thresh 就是传入值;maxval 主要影响二值化模式。
对阈值 127 而言,OpenCV 判断条件是“像素值大于 127”。等于 127 的像素走另一分支,这一点在边界测试时很重要。

可运行示例
下面使用固定的一组灰度值,可以直接看到阈值两侧以及等于阈值时的输出差异。
python
import cv2
import numpy as np
src = np.array([[30, 90, 127, 128, 180, 240]], dtype=np.uint8)
modes = {
'BINARY': cv2.THRESH_BINARY,
'BINARY_INV': cv2.THRESH_BINARY_INV,
'TRUNC': cv2.THRESH_TRUNC,
'TOZERO': cv2.THRESH_TOZERO,
'TOZERO_INV': cv2.THRESH_TOZERO_INV,
}
for name, mode in modes.items():
used, dst = cv2.threshold(src, 127, 255, mode)
print(f'{name}: threshold={used:.1f}, values={dst.tolist()[0]}')预期输出:
text
BINARY: threshold=127.0, values=[0, 0, 0, 255, 255, 255]
BINARY_INV: threshold=127.0, values=[255, 255, 255, 0, 0, 0]
TRUNC: threshold=127.0, values=[30, 90, 127, 127, 127, 127]
TOZERO: threshold=127.0, values=[0, 0, 0, 128, 180, 240]
TOZERO_INV: threshold=127.0, values=[30, 90, 127, 0, 0, 0]这个输出也说明:THRESH_TRUNC 不产生二值图,它只是把超过阈值的像素压到阈值;THRESH_TOZERO 和 THRESH_TOZERO_INV 则会保留一侧的原始灰度。
模式怎么选
| 模式 | 大于阈值时 | 不大于阈值时 | 常见用途 |
|---|---|---|---|
THRESH_BINARY |
maxval |
0 | 提取亮区域 |
THRESH_BINARY_INV |
0 | maxval |
提取暗区域 |
THRESH_TRUNC |
阈值 | 原值 | 压制过亮像素 |
THRESH_TOZERO |
原值 | 0 | 保留亮部灰度 |
THRESH_TOZERO_INV |
0 | 原值 | 保留暗部灰度 |
如果目标是得到前景掩膜,优先考虑普通或反向二值化;如果还需要保留通过筛选的原始灰度信息,使用 TOZERO 类模式更合适。
什么时候固定阈值会失效
固定阈值适合光照较稳定、前景和背景灰度差异明显的图像。若同一张图左侧很暗、右侧很亮,一个全局阈值往往无法同时兼顾两侧,此时应考虑自适应阈值或先做光照校正。
固定阈值真正要确定的不是“哪个常数最好”,而是输出规则是否符合任务目标。先选对模式,再在代表性样本上调整阈值,能比反复试数值更快得到稳定结果。
按自己的节奏,确认真正理解。