固定阈值#

1
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
2
_, mask = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
3
cv2.imwrite("mask.png", mask)

返回值里的第一个值是实际阈值，第二个才是二值图。

Otsu 自动阈值#

1
threshold, mask = cv2.threshold(
2
    gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU
3
)
4
print("otsu threshold", threshold)

Otsu 适合前景和背景灰度分布比较分开的情况。

自适应阈值#

1
mask = cv2.adaptiveThreshold(
2
    gray, 255,
3
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
4
    cv2.THRESH_BINARY,
5
    21, 5,
6
)

局部光照差异明显时，自适应阈值比全局阈值更稳。

结果检查#

• 前景是否被完整保留。

• 背景噪声是否过多。

• 黑白是否反了，必要时使用 THRESH_BINARY_INV。

• 阈值前是否需要模糊降噪。

实战复盘#

复用《OpenCV 阈值分割基础》时，我会先用三到五张图片跑通流程，再扩大到完整数据集。小样本阶段要故意覆盖正常图、边界图和可能失败的图，而不是只选最干净的样本。

OpenCV 和 YOLO 相关步骤都要特别关注坐标和尺寸。图片数组常用高宽顺序，检测框常用 x/y 顺序，YOLO 又使用归一化中心点坐标，混用后不会总是报错，但结果一定会偏。

后续如果要写成更完整教程，可以补充输入目录结构、输出目录结构和一张可视化样例，让读者能直接对照自己的项目。

最小验收样例#

验收《OpenCV 阈值分割基础》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

阈值分割的关键是看图，不是只看代码。每次调整阈值后都要保存 mask，确认它真的分出了目标。