定義：圖像的二值化，就是將圖像上的像素點的灰度值設置為0或255，也就是將整個圖像呈現出明顯的只有黑和白的視覺效果。
一幅圖像包括目標物體、背景還有噪聲，要想從多值的數字圖像中直接提取出目標物體，常用的方法就是設定一個閾值T，用T將圖像的數據分成兩部分：大於T的像素群和小於T的像素群。這是研究灰度變換的最特殊的方法，稱為圖像的二值化（Binarization）。
簡單的閾值-（全局閾值）：
Python-OpenCV中提供了閾值（threshold）函數：
cv2.threshold（）
函數：第一個參數 src 指原圖像，原圖像應該是灰度圖。
第二個參數 x 指用來對像素值進行分類的閾值。
第三個參數 y 指當像素值高於（有時是小於）閾值時應該被賦予的新的像素值
第四個參數 Methods 指，不同的不同的閾值方法，這些方法包括：
•cv2.THRESH_BINARY 圖（1）
•cv2.THRESH_BINARY_INV 圖（2）
•cv2.THRESH_TRUNC 圖（3）
•cv2.THRESH_TOZERO 圖（4）
•cv2.THRESH_TOZERO_INV 圖（5）
破折線為將被閾值化的值；虛線為閾值
圖（1）
大於閾值的像素點的灰度值設定為最大值(如8位灰度值最大為255)，灰度值小於閾值的像素點的灰度值設定為0。
圖（2）
大於閾值的像素點的灰度值設定為0，而小於該閾值的設定為255。
圖（3）
像素點的灰度值小於閾值不改變，大於閾值的灰度值的像素點就設定為該閾值。
圖（4）
像素點的灰度值小於該閾值的不進行任何改變，而大於該閾值的部分，其灰度值全部變為0。
圖（5）
像素點的灰度值大於該閾值的不進行任何改變，像素點的灰度值小於該閾值的，其灰度值全部變為0。
Python+opencv代碼：
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('1.bmp') GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 中值濾波 GrayImage= cv2.medianBlur(GrayImage,5) ret,th1 = cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY) #3 為Block size, 5為param1值 th2 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,\ cv2.THRESH_BINARY,3,5) th3 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\ cv2.THRESH_BINARY,3,5) titles = ['Gray Image', 'Global Thresholding (v = 127)', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding'] images = [GrayImage, th1, th2, th3] for i in xrange(4): plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
效果圖：
自適應閾值：
當同一幅圖像上的不同部分的具有不同亮度時。這種情況下我們需要采用自適應閾值。此時的閾值是根據圖像上的每一個小區域計算與其對應的閾值。因此在同一幅圖像上的不同區域采用的是不同的閾值，從而使我們能在亮度不同的情況下得到更好的結果。
cv2.adaptiveThreshold（）
函數：第一個參數 src 指原圖像，原圖像應該是灰度圖。
第二個參數 x 指當像素值高於（有時是小於）閾值時應該被賦予的新的像素值
第三個參數 adaptive_method 指： CV_ADAPTIVE_THRESH_MEAN_C 或 CV_ADAPTIVE_THRESH_GAUSSIAN_C
第四個參數 threshold_type 指取閾值類型：必須是下者之一 • CV_THRESH_BINARY,
• CV_THRESH_BINARY_INV
第五個參數 block_size 指用來計算閾值的象素鄰域大小: 3, 5, 7, ...
第六個參數 param1 指與方法有關的參數。對方法CV_ADAPTIVE_THRESH_MEAN_C 和 CV_ADAPTIVE_THRESH_GAUSSIAN_C， 它是一個從均值或加權均值提取的常數, 盡管它可以是負數。
自適應閾值： 對方法CV_ADAPTIVE_THRESH_MEAN_C，先求出塊中的均值，再減掉param1。
對方法 CV_ADAPTIVE_THRESH_GAUSSIAN_C ，先求出塊中的加權和(gaussian)， 再減掉param1。
例如：
采用方法 CV_ADAPTIVE_THRESH_MEAN_C，閾值類型：CV_THRESH_BINARY, 閾值的象素鄰域大小 block_size 選取3，參數param1 取3和5時：
部分原圖像像素值 當參數param1為5時
部分原圖像像素值 當參數param1為7時
選取對應領域（3*3）求其均值，然后減去參數param1的值為自適應閾值。測試時求得均值為小數時，貌似進行四舍五入之后再減去參數param1。（可能是我沒測試准確，無聊時測試一下，共同學習）
Python+opencv代碼：
import cv2 import numpy as np from matplotlib import pyplot as plt img = cv2.imread('1.bmp') GrayImage=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) # 中值濾波 GrayImage= cv2.medianBlur(GrayImage,5) ret,th1 = cv2.threshold(GrayImage,127,255,cv2.THRESH_BINARY) #3 為Block size, 5為param1值 th2 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_MEAN_C,\ cv2.THRESH_BINARY,3,5) th3 = cv2.adaptiveThreshold(GrayImage,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\ cv2.THRESH_BINARY,3,5) titles = ['Gray Image', 'Global Thresholding (v = 127)', 'Adaptive Mean Thresholding', 'Adaptive Gaussian Thresholding'] images = [GrayImage, th1, th2, th3] for i in xrange(4): plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([]) plt.show()
效果圖：
