OpenCV 实现图像阈值分割：进度条实时交互界面（附完整代码）

2401_88609434

972人浏览 · 2025-11-27 23:30:42

2401_88609434 · 2025-11-27 23:30:42 发布

一、实验目的

掌握图像阈值分割的原理。
设计实现阈值分割的三种典型算法：直方图双峰法、迭代阈值分割、最大类间方差阈值分割。

二、阈值分割算法原理

阈值分割的核心是通过设定灰度阈值 T，将图像像素分为前景（目标，灰度值满足特定条件）和背景（灰度值不满足条件）两类，即：

以下是实验涉及的三种典型算法原理：

1. 直方图双峰法

核心思路：利用图像灰度直方图的 “双峰 - 谷值” 特性 —— 若图像前景与背景对比度较高，其灰度直方图会呈现两个明显峰值（分别对应前景、背景的灰度集中区域），取两峰值之间的谷值作为阈值 T
适用场景：对比度高、直方图双峰特征明显的图像。

2. 迭代阈值法

核心思路：通过迭代更新阈值，直至阈值收敛：

初始化阈值（通常取图像灰度均值）；
按当前阈值将图像分为前景和背景，计算两类像素的灰度均值 m1、m2；
更新阈值为： $T=\frac{m1+m2}{2}$
重复步骤 2-3，直至两次阈值的差值小于设定阈值（如 1）。

适用场景：无需手动设定初始阈值，适用于灰度分布较均匀的图像。

3. 最大类间方差法（Otsu 法）

核心思路：通过最大化前景与背景的类间方差确定最优阈值，类间方差公式为： $\sigma ^{2}=\omega 1\omega 2(m1-m2)^{2}$

其中 $\omega _{1}$ 、 $\omega _{2}$ 是前景、背景的像素占比， $m_{1}$ 、 $m_{2}$ 是两类的灰度均值。遍历所有可能的阈值（0-255），取使 $\sigma ^{2}$ 最大的T。

适用场景：自适应计算最优阈值，是工业场景中最常用的阈值分割方法之一。

三、程序代码

直方图双峰法代码

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

plt.rcParams['font.sans-serif'] = ['SimHei']
img = cv2.imread('img/Fig0940(a)(rice_image_with_intensity_gradient).tif', 0)
_, img_b = cv2.threshold(img, 130, 255, cv2.THRESH_BINARY)
plt.subplot(131)
plt.imshow(img, 'gray')
plt.title('原图')
plt.axis('off')
plt.subplot(132)
hist = cv2.calcHist([img], [0], None, [256], [0, 255])
plt.plot(hist)
plt.title('灰度直方图')
plt.subplot(133)
plt.imshow(img_b, 'gray')
plt.title('人工阈值分割图 T=130')
plt.axis('off')
plt.show()


import cv2
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei']
img = cv2.imread('img/Fig0940(a)(rice_image_with_intensity_gradient).tif', 0)
n, _, _ = plt.hist(img.ravel(), 256, [0, 255])
l_ma = np.where(n==np.max(n))
f1 = l_ma[0][0]
temp = 0
for i in range(256):
    temp1 = np.power(i - f1, 2) * n[i]
    if temp1 > temp:
        temp = temp1
        f2 = i
if f1 > f2:
    f1, f2 = f2, f1
l_mi = np.where(n[f1:f2] == np.min(n[f1:f2]))
T = f1 + l_mi[0][0]
_, img_b = cv2.threshold(img, T, 255, cv2.THRESH_BINARY)
plt.subplot(121)
plt.imshow(img, 'gray')
plt.title('原图')
plt.axis('off')
plt.subplot(122)
plt.imshow(img_b, 'gray')
plt.title('直方图阈值分割图 T=' + '{:d}'.format(T))
plt.axis('off')
plt.show()

迭代阈值法代码

import cv2
import numpy as np
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
img=cv2.imread('img/Fig0940(a)(rice_image_with_intensity_gradient).tif', 0)
T=int(np.mean(img))
while True:
    m1=np.mean(img[img>=T])
    m2=np.mean(img[img<T])
    if abs((m1+m2)/2-T)<20:
        break
    else:
        T=int((m1+m2)/2)
_,img_b=cv2.threshold(img,T,255,cv2.THRESH_BINARY)
plt.subplot(121)
plt.imshow(img,'gray')
plt.title('原图')
plt.axis('off')
plt.subplot(122)
plt.imshow(img_b,'gray')
plt.title('迭代阈值分割图 T='+'{:d}'.format(T))
plt.axis('off')
plt.show()

最大类间方差法（Otsu）代码

import cv2
import numpy as np
from matplotlib import pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']

img=cv2.imread('img/Fig0940(a)(rice_image_with_intensity_gradient).tif', 0)
t=0
for i in range(256):
    mean1=np.mean(img[img<i])
    mean2=np.mean(img[img>=i])
    w1=np.sum(img<i)/np.size(img)
    w2=np.sum(img>=i)/np.size(img)
    tem=w1*w2*np.power((mean1-mean2),2)
    if tem>t:
        T=i
        t=tem

_,img_b=cv2.threshold(img,T,255,cv2.THRESH_BINARY)
T1,img_b1=cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

plt.subplot(131)
plt.imshow(img,'gray')
plt.title('原图')
plt.axis('off')

plt.subplot(132)
plt.imshow(img_b,'gray')
plt.title('最大类间方差阈值分割图 T='+'{:d}'.format(T))
plt.axis('off')

plt.subplot(133)
plt.imshow(img_b1,'gray')
plt.title('最大类间方差阈值分割图 T='+'{:d}'.format(int(T1)))
plt.axis('off')
plt.show()

进度条交互界面代码

import cv2
import numpy as np


img_path = "img/Fig0940(a)(rice_image_with_intensity_gradient).tif"
img = cv2.imread(img_path, 0)
if img is None:
    raise FileNotFoundError("Check the image path!")

# 全局变量：当前阈值
current_threshold = 128

# 回调函数：更新阈值并显示结果
def update_threshold(val):
    global current_threshold
    current_threshold = val
    _, segmented_img = cv2.threshold(img, current_threshold, 255, cv2.THRESH_BINARY)
    combined_img = np.hstack((img, segmented_img))
    cv2.imshow("Threshold Segmentation (Left: Original | Right: Result)", combined_img)

# 创建窗口与Trackbar（全部用英文）
cv2.namedWindow("Threshold Segmentation (Left: Original | Right: Result)", cv2.WINDOW_NORMAL)
cv2.createTrackbar("Threshold", "Threshold Segmentation (Left: Original | Right: Result)", current_threshold, 255, update_threshold)

# 初始显示
update_threshold(current_threshold)

cv2.waitKey(0)
cv2.destroyAllWindows()

四、实验结果与分析

4.1 实验结果

直方图双峰法：针对水稻图像，计算得到阈值约为 130，分割后可区分水稻与背景，但对低对比度区域的分割效果一般。

迭代阈值法：收敛后阈值约为 128，分割结果与人工阈值接近，稳定性较好。

Otsu 法：手动实现与 OpenCV 内置函数的阈值均约为 127，分割效果最优，能自适应区分前景与背景。

进度条界面：拖动进度条可实时预览不同阈值的分割效果，快速验证了 “阈值过低会将背景误判为前景、阈值过高会丢失前景细节” 的规律。

4.2 不足与改进

不足：
1. 直方图双峰法依赖图像的双峰特性，若图像对比度低、直方图无明显双峰，分割效果会严重下降；
2. 迭代阈值法的收敛速度受初始值影响，极端初始值可能导致迭代次数过多；
3. 进度条界面仅支持全局阈值，未覆盖局部阈值分割场景。
改进方法：
1. 对无明显双峰的图像，先通过直方图均衡化增强对比度，再使用直方图双峰法；
2. 迭代阈值法可优化初始值（如取灰度中位数），减少迭代次数；
3. 扩展进度条界面，增加 “全局 / 局部阈值” 切换功能，适配更多场景。

五、个人收获与体会

通过本次实验，我系统掌握了图像阈值分割的三种核心算法原理，学会了用 Python+OpenCV 实现算法并调试代码。进度条交互界面的开发让我理解了 “可视化调试” 的高效性 —— 无需重复修改代码，即可快速验证阈值效果。同时，我也认识到不同算法的适用场景差异：Otsu 法的自适应特性更适合实际工程，而直方图双峰法需结合图像对比度使用。这次实验不仅提升了我的代码实践能力，也培养了我 “分析算法优缺点、针对性改进” 的思维习惯。