1、二值图像处理分为两大步：第一步：把彩色图像或图片处理成灰度片或图像（简称灰度化），第二大步： 把灰度图通过阈值或者直方图或者自适应等方法转化为二值化图片。
4、2）局部自适应采用cv.adaptiveThreshold进行处理，参数：adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C, dst=None) adaptiveMethod: 有两种method ADAPTIVE_THRESH_GAUSSIAN_C和ADAPTIVE_THRESH_MEAN_C，thresholdType: 二值化的方式blockSize： 最好是奇数C： 偏置值def local_threshold(gray): binary = cv.adaptiveThreshold(gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 25, 10) cv.imshow('local_threshold_GAUSSIAN-binary', binary)
6、4）自定义阈值函数2利用阈值分值处理 大于Th_value=255 否则为0def threshold_one_block(image, Th_value): # img = np.array(image, 'f') # im_l = image.convert('L') tmp_img = copy.copy(image)# 复制一份 rows, cols = tmp_img.shape #已经是灰度图 只有2路 print(rows, cols) for rows in range(tmp_img.shape[0]): for cols in range(tmp_img.shape[1]): if tmp_img[rows,cols] < Th_value: #阈值条件判断 tmp_img[rows, cols] = 0 else: tmp_img[rows, cols] = 255 return tmp_img
9、整体感觉感觉local_threshold要好一些。自定义的可以比较灵活的进行处理。