OpenCV图像二值化实战：从全局阈值到自适应算法的场景优化

1. 图像二值化基础概念

第一次接触图像二值化时，我盯着那些黑白分明的图片看了好久——这玩意儿不就是把图片变成黑白两色吗？后来才发现，这个看似简单的操作背后藏着大学问。想象你手里有张拍糊了的文档照片，背景发黄还有阴影，这时候二值化就像个魔法师，能帮你把文字清晰地提取出来。

二值化的本质就是把彩色或灰度图像转换成只有黑白两色的图像。具体来说，每个像素点的灰度值会被转换为0（纯黑）或255（纯白）。这个转换过程需要一个临界值——阈值。就像考试及格线一样，高于这个值的像素变白，低于的变黑。在OpenCV中，这个基础操作只需要一行代码：

retval, threshold_img = cv2.threshold(gray_img, 150, 255, cv2.THRESH_BINARY)

这里150就是那个关键阈值。但问题来了：为什么有时候效果很好，有时候却惨不忍睹？这就涉及到直方图分析的技巧了。好的阈值通常位于灰度直方图的双峰之间，就像选择两座山之间的山谷作为分界线。我常用这个方法来处理扫描的文档：

plt.hist(gray_img.ravel(), 256, [0, 256])
plt.show()

不过现实往往更复杂。有次处理会议室白板照片时，发现整个直方图像是被压扁的馒头——根本没有明显的双峰。这时候全局阈值就束手无策了，需要更智能的方法。

2. 全局阈值法的实战应用

全局阈值法就像用同一把尺子量全身，适合身材匀称的人。在图像处理中，它最适合光照均匀、背景干净的场景。OpenCV提供了五种全局阈值类型，我在车牌识别项目中都试了个遍：

1. THRESH_BINARY：最常用的"非黑即白"，车牌字符提取效果很棒
2. THRESH_BINARY_INV：黑白反转，适合白底黑字的文档