基于阈值的图像分割是图像处理中最基础、最常用的分割方法。其核心思想是：根据像素灰度值与一个或多个阈值的比较，将图像划分为不同的区域（目标与背景）。OpenCV 提供了非常丰富的阈值化函数，能覆盖绝大多数应用场景。

下面我将从全局阈值、自适应阈值、Otsu 最佳阈值以及彩色图像阈值几个方面，配合代码示例，详细讲解如何在 OpenCV 中实现基于阈值的分割。

1. 环境准备

确保已安装 OpenCV（推荐 opencv-python）：

pip install opencv-python

引入必要库：

import cv2
import numpy as np
import matplotlib.pyplot as plt

2. 全局固定阈值：cv2.threshold()

这是最简单的阈值分割函数，对所有像素使用同一个固定阈值。

函数原型：

retval, dst = cv2.threshold(src, thresh, maxval, type)

src：输入图像，必须是单通道灰度图。

thresh：设定的阈值。

maxval：当像素值满足条件时赋予的新值（常为 255）。

type：阈值类型，决定比较和赋值的方式。

常用阈值类型：

3. 自适应阈值：cv2.adaptiveThreshold()

对于光照不均的图像（如文档扫描、阴影影响），全局阈值效果很差。自适应阈值根据像素邻域的局部特征动态计算阈值，能有效分离前景。

函数原型：
dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

adaptiveMethod：局部阈值的计算方法
– cv2.ADAPTIVE_THRESH_MEAN_C：邻域均值减去常量 C
– cv2.ADAPTIVE_THRESH_GAUSSIAN_C：邻域加权均值（高斯窗）减去常量 C

thresholdType：只能是 cv2.THRESH_BINARY 或 cv2.THRESH_BINARY_INV

blockSize：邻域大小，必须为奇数（如 11、21）

C：从均值中减去的常数，用于精细调整

4. Otsu 最佳阈值（大津法）

当不清楚具体阈值时，Otsu 算法可以自动寻找一个最佳阈值，使前景与背景的类间方差最大。

使用方式：在 cv2.threshold() 中 type 参数叠加 cv2.THRESH_OTSU。

ret, otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
print("最佳阈值：", ret)

注意：此时 thresh 参数可填任意值（通常写 0），实际阈值由算法算出并返回。

原理：遍历所有可能的阈值，计算前景和背景的像素数、平均灰度，使类间方差最大。对直方图呈双峰分布的图像效果极好。

5. 彩色图像的分割：cv2.inRange()

如果目标具有特定的颜色范围（例如提取红色物体），可以在 HSV 色彩空间使用 cv2.inRange() 进行阈值分割。

步骤：

将 BGR 图转为 HSV。

定义目标颜色的 HSV 上下界（数组）。

调用 cv2.inRange() 生成二值掩膜。

6. 常用技巧与注意事项

预处理：阈值分割前常需要平滑（去噪）或形态学操作（开/闭运算），以减少噪声干扰。

动态阈值：若图像整体亮度缓慢变化，可先做顶帽变换（Top-hat）或使用光照补偿后再阈值化。

多阈值分割：OpenCV 没有直接的多阈值函数，但可以结合 Otsu 手动实现，或使用 cv2.threshold() 多次筛选。

浮点图像：对于深度图或热图，阈值值域不同，注意 maxval 的设置。

7. 完整实例：

# 下面将上述方法综合，做一个简单的图像二值化对比：
import cv2
import matplotlib.pyplot as plt

img = cv2.imread('./images/key.png', 0)
# img = cv2.resize(img, (0, 0), fx=0.5, fy=0.5)
img = cv2.GaussianBlur(img, (5, 5), 0)   # 先去噪

# 全局固定阈值
_, th1 = cv2.threshold(img, 140, 255, cv2.THRESH_BINARY)

# Otsu
_, th2 = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 自适应均值
th3 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C,
                           cv2.THRESH_BINARY, 11, 2)
# 自适应高斯
th4 = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
                           cv2.THRESH_BINARY, 11, 2)

titles = ['Original', 'Global (t=140)', 'Otsu', 'Adaptive Mean', 'Adaptive Gaussian']
images = [img, th1, th2, th3, th4]

for i in range(5):
   plt.subplot(2,3,i+1), plt.imshow(images[i], 'gray')
   plt.title(titles[i]), plt.xticks([]), plt.yticks([])
plt.show()

效果图展示如下：