阈值处理是将灰度图像二值化的方法，通过设定临界值调整像素：大于阈值设为255，小于则设为0，常用方法包括全局固定阈值、反向二值化、截断、自适应阈值和otsu's法，适用于光照不均或需分离前景背景的场景，广泛用于文字识别、边缘检测等预处理步骤。
在Python OpenCV中，阈值（Thresholding）是一种图像处理技术，用于将图像的像素值根据设定的临界值进行二值化或分割。简单来说，就是把图像中的每个像素点与一个预设的“阈值”比较，根据比较结果重新赋值，从而实现图像的简化或前景与背景的分离。
阈值的基本原理
假设你有一个灰度图像，每个像素的值在0到255之间：
- 如果像素值大于或等于阈值，就将其设置为一个固定值（比如257）
- 如果小于阈值，就设置为另一个值（通常是0）
这样处理后，图像就变成了只有黑白两种颜色的二值图像，便于后续处理，如轮廓检测、文字识别等。
常见的阈值类型
1. 全局固定阈值（Binary Threshold）
使用cv2.threshold()函数，设定一个固定的阈值。例如：
ret, binary = cv2.threshold(gray_image, 127, 255, cv2.THRESH_BINARY)
意思是：如果像素值 > 127，设为255（白色），否则设为0（黑色）。
立即学习“Python免费学习笔记（深入）”；
2. 反向二值化（THRESH_BINARY_INV）
与上面相反：大于阈值设为0，小于设为255。
3. 截断阈值（THRESH_TRUNC）
大于阈值的像素设为阈值本身，其余保持不变。
4. 自适应阈值（Adaptive Threshold）
适用于光照不均的图像。OpenCV提供cv2.adaptiveThreshold()，可以基于局部区域自动计算阈值：
adaptive = cv2.adaptiveThreshold(gray_image, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
这里使用周围11×11区域的平均值作为阈值基准，常用于扫描文档或OCR前处理。
5. Otsu's 阈值法
通过算法自动找出最佳阈值。只需在threshold函数中加上cv2.THRESH_OTSU标志：
ret, otsu = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
OpenCV会分析图像直方图，自动确定最合适的分割点。
阈值的应用场景
- 去除背景干扰，提取感兴趣区域
- 预处理步骤，用于边缘检测或形状识别
- 文档扫描中增强文字对比度
- 车牌识别、二维码定位等计算机视觉任务
基本上就这些。阈值操作看似简单，但在实际图像处理流程中非常关键，选对方法能显著提升后续步骤的准确性。理解不同阈值模式的区别，有助于根据具体图像特点做出合适选择。不复杂但容易忽略细节。
