什么是图像处理中的阈值处理？

如需直观了解本文介绍的概念，请观看下方视频。

人类看到的图像连贯而有意义，而计算机看到的则是由微小像素组成的网格，像素是数字图像中最小的组成部分。在称为图像处理的过程中，可以调整或分析这些像素，以改善图像并提取有用信息。

图像阈值处理是一种常见的图像处理技术，与边缘检测等方法并列。该方法通过将每个像素与设定值进行比较，把灰度图像（每个像素表示一种灰度）转换为黑白图像，从而清晰地区分重要区域和背景。

阈值处理常用于图像分割，这是一种将图像划分为有意义区域、以便更轻松地进行分析的技术。它通常是帮助机器解读视觉数据的首要步骤之一。在本文中，我们将介绍什么是阈值处理、它的工作原理以及它在现实场景中的应用。

图像阈值处理的基本术语#

在深入了解阈值处理的工作原理之前，我们先仔细看看它背后的基本概念，以及它在图像处理中如何应用。

二值图像阈值处理#

假设你正在处理一张图像，并希望将其中的物体与背景分开。一种方法是使用阈值处理。它会简化图像，让每个像素都变成纯黑或纯白。得到的就是一张二值图像，其中每个像素的值为 0（黑色）或 255（白色）。这一步在图像处理中通常很有用，因为它能让图像中的重要部分清晰突出。

图 1. 灰度图像及阈值处理后的二值输出。（来源：blog.devops.dev）

直方图#

同样，如果你想了解图像中亮度值的分布情况，直方图会很有帮助。它是一种图表，用于显示每种像素强度出现的频率，范围从黑色（0）到白色（255）。

通过查看直方图，你可以判断图像是偏暗、偏亮，还是介于两者之间。这样一来，将图像转换为黑白图像时，就更容易选择合适的阈值，因为你可以一眼看出图像中的模式和对比度。

前景和背景#

图像经过阈值处理后，会被分成两部分：前景和背景。前景通常显示为白色，用来突出重要元素，例如文本、形状或你想检测的物体。背景显示为黑色，代表其余所有内容。这种划分能帮助机器聚焦于图像中的重要信息。

分割#

如前所述，分割会根据亮度或纹理等特征，将图像划分为有意义的区域。阈值处理是实现这一目标的一种简单方法，通常也是计算机视觉流程中的第一步。

计算机视觉是 AI 的一个分支，使机器能够像人类一样处理和理解视觉数据。在处理的早期阶段使用阈值处理，计算机视觉系统就能将物体与背景分开，让后续的检测或识别等步骤更准确地运行。

全局阈值处理#

现在我们对阈值处理有了更清晰的认识，接下来将讲解如何对图像进行阈值处理，以及图像处理中不同的阈值处理类型。

例如，全局阈值处理是生成二值图像最简单的方法之一。它会对整张图像应用同一个强度值。亮于该阈值的像素变为白色，暗于该阈值的像素则变为黑色。这有助于将物体与背景分开。

当图像光照均匀且对比度较强时，这种方法效果最好。但在光照不均或对比度较低的区域，单一阈值可能会遗漏细节或模糊边缘。

为了解决这一问题，可以采用大津法等方法。大津阈值法无需手动设置数值，而是分析图像的直方图，并选择一个最适合将像素强度划分为前景和背景的阈值。

图 2. 应用大津阈值处理前后的土星图像。(来源)

局部（自适应）阈值处理#

与全局阈值处理不同，自适应阈值处理或局部阈值处理会针对图像的不同部分分别计算阈值。因此，对于光照不均的图像（例如带有阴影的扫描文档或纹理表面），这种方法效果更好。

这种方法会将图像划分为较小的区域，并为每个区块计算局部阈值，从而有助于保持前景和背景之间的对比度。它广泛应用于文本识别、医学成像和表面检测等任务，因为这些场景中的光照会因图像区域而异。

图像处理中一些常见的自适应阈值处理方法包括自适应均值阈值处理和自适应高斯阈值处理。自适应均值阈值处理使用局部邻域内的平均像素强度作为中心像素的阈值。而自适应高斯阈值处理则使用高斯窗口计算加权平均值，并赋予离中心更近的像素更高权重。

阈值处理在图像处理中的实际应用#

接下来，我们来看看图像阈值处理在现实应用中的用途。

用于文档二值化和 OCR 的图像阈值处理#

人们经常扫描古籍和手写信件，以保存这些资料，或使用 OCR（光学字符识别）技术将其转换为数字文本。OCR 能读取印刷或手写字符。在提取文本之前，通常需要清理或预处理文档。扫描图像中常有阴影、褪色墨迹或光照不均等问题，这些都会增加字符识别的难度。

为了提高清晰度，可以使用阈值处理将灰度图像转换为二值格式，从而将文本与背景分离。字母等较暗区域会变成黑色，而较亮的背景会变成白色，这样 OCR 系统就更容易读取文本。

图 3. 历史文档及其阈值处理后图像的示例。(来源)

在医学图像处理中使用阈值处理#

同样，在医学成像中，阈值处理常用于从扫描图像中提取特定结构，例如 X 射线图像中的骨骼或肺部。将灰度图像转换为二值格式后，就更容易从周围组织中分离出感兴趣区域，并为后续分析做好准备。在更复杂的情况下，可以采用多级阈值处理，将图像划分为多个不同区域，从而同时识别不同类型的组织或结构。

图 4. 在胸部 X 射线图像上使用多级阈值处理方法。（来源：sciencedirect.com）

阈值处理在图像处理中的优缺点#

以下是图像处理中使用阈值处理的一些主要优势：

• 资源占用低：阈值处理在低功耗设备上运行良好，无需访问云端或使用高端硬件，因此适用于嵌入式系统和离线环境。
• 易于理解：阈值处理的逻辑简单，因此其输出易于理解和调试。在医疗保健或文档处理等重视透明度的领域，这一点至关重要。
• 快速测试：在项目早期，阈值处理可以帮助团队快速探索分割方案，然后再转向更复杂的模型。

虽然图像阈值处理在许多场景中都很有用，但也存在一些局限。以下是使用阈值处理时需要考虑的一些挑战：

• 适应性不足：阈值处理遵循固定规则，不会根据新的光照条件或数据变化进行调整，除非手动修改参数。
• 对噪声敏感：阴影或反光引起的细微亮度变化可能会影响结果，尤其是在处理细节丰富或带有纹理的图像时。
• 静态且基于规则：与 AI 模型不同，阈值处理不会从数据中学习，也不会随着时间推移而改进。它只能在设计时设定的有限条件下发挥作用。

超越图像阈值处理：何时该使用计算机视觉#

阈值处理适用于受控环境中的简单分割任务。然而，面对包含多个物体或背景噪声的复杂图像时，它往往难以应对。由于依赖固定规则，阈值处理缺乏大多数实际应用所需的灵活性。

为了突破这些局限，许多现代系统现在都采用计算机视觉。与阈值处理不同，视觉 AI 模型经过训练，能够检测复杂的模式和特征，因此准确性和适应能力都高得多。

例如，Ultralytics YOLO11等计算机视觉模型可以实时检测物体并分割图像，因此非常适合自动驾驶汽车识别交通信号灯或农业领域识别作物问题等任务。

具体来说，Ultralytics YOLO11 支持多种计算机视觉任务，例如实例分割，即分别分割图像中的每个物体。它还可以执行其他视觉任务，包括姿态估计（确定物体的位置或姿态）和物体跟踪（追踪物体在视频帧中的移动）。

图 5. YOLO11 让物体检测和分割变得简单。(来源)

阈值处理适用于简单任务或早期方案测试，但对于需要速度、准确性和灵活性的应用，计算机视觉通常是更好的选择。

要点#

阈值处理是图像处理中的实用工具，因为它使用快速、简单，能够将物体与背景分离。它适用于扫描文档、医学图像，以及工厂中的产品缺陷检测。

然而，随着图像和视频变得越来越复杂，图像阈值处理等基本图像处理方法可能难以胜任。这时就可以采用先进的计算机视觉模型。Ultralytics YOLO11 等模型能够理解并执行更多任务、同时识别多个物体，还能实时运行，因此适用于许多场景。

想进一步了解 AI？欢迎查看我们的社区和 GitHub 代码仓库。浏览我们的解决方案页面，了解机器人领域的 AI和农业中的计算机视觉。查看我们的许可选项，今天就开始使用计算机视觉构建应用吧！