阈值化（Binarization）概述
1. 什么是阈值化
阈值化是把灰度图像的像素值按照设定的阈值 T 划分为两类——通常是 0（黑） 与 255（白），从而得到仅包含两种颜色的二值图像。在机器学习中，阈值化也指把数值特征通过阈值转化为布尔型（0/1）特征。
2. 基本原理
对每个像素的灰度值 gray 进行比较，当灰度小于阈值时像素设为黑（0），否则设为白（255）。阈值的选取决定了前景（目标）与背景的分离效果。
3. 常见阈值化方法
| 方法 | 说明 | 典型应用 |
|---|---|---|
| 全局阈值（Global Threshold） | 对整幅图像使用同一阈值，适用于光照均匀、对比度明显的场景。 | 文档二值化、简单目标分割 |
| 自适应阈值（Adaptive / 局部阈值） | 根据局部窗口的统计量（均值、加权均值）动态计算阈值，能处理光照不均的图像。OpenCV 的 adaptiveThreshold() 就是典型实现 |
|
| Otsu 方法 | 自动寻找使类间方差最大的阈值，常用于直方图呈双峰分布的图像。常配合最大类间方差法确定阈值 | |
| 多阈值（Multi‑level Threshold） | 将灰度划分为多于两类的多个阈值，得到多级灰度图（不完全二值化）。在某些医学或遥感图像中使用。 |
4. 实现步骤（以 OpenCV 为例）
- 灰度化：
cv2.cvtColor(src, cv2.COLOR_BGR2GRAY) - 选择阈值化方式：
- 后处理（可选）：形态学开/闭运算去噪，连通组件分析等。
5. 应用场景
| 领域 | 具体用途 |
|---|---|
| 图像分割 | 提取目标物体、去除背景，常用于 OCR 前处理、医学影像（血管、细胞）分割 |
| 文档处理 | 将扫描文档转为纯黑白，提高字符识别率（如 Tesseract） |
| 机器学习特征工程 | 将连续特征二值化为 0/1，适用于逻辑回归、朴素贝叶斯等模型 |
| 深度学习 | 在二值化网络（Binary Neural Network）中，将激活或权重二值化以降低计算成本 |
| 工业检测 | 通过阈值化快速定位缺陷、裂纹等异常区域 |
6. 优缺点
- 优点
- 实现简单、计算代价低。
- 能显著压缩信息量，便于后续二值化分析（连通组件、形态学操作）。
- 缺点
- 对光照变化敏感，阈值选取不当会导致前景/背景混淆。
- 只能表达二元信息，细节损失较大，复杂场景需结合更高级分割方法。
7. 小结
阈值化是图像处理与特征工程中最基础且常用的技术之一。通过合适的阈值选取（固定、Otsu、或自适应），可以将灰度图像快速转化为二值图，帮助实现目标提取、噪声抑制和特征离散化。实际使用时，往往结合预处理（平滑、直方图均衡）和后处理（形态学）以提升鲁棒性。
声明：文章均为AI生成，请谨慎辨别信息的真伪和可靠性！