📚 课程目录第4章图像阈值入门

4、图像阈值入门：什么是阈值、二值化原理、如何通过阈值分离目标与背景

在OpenMV巡线机器人的视觉处理流程中，图像阈值是最基础也最关键的预处理步骤。巡线任务的核心是让机器人“看懂”地面上的线条——通常是一条黑色或白色的胶带——并将其与周围环境区分开来。然而，摄像头采集到的原始图像是包含大量亮度、颜色和噪声信息的灰度或彩色数据，直接对这些数据进行线段检测或运动控制，计算量巨大且极易受环境干扰。阈值处理正是为了解决“如何将感兴趣的目标从复杂背景中干净地分离出来”这一问题而存在的。本章将深入剖析阈值的数学本质、二值化的工作原理，并通过OpenMV的实际操作，帮助你掌握利用阈值分离目标与背景的完整方法论。

上图展示了从原始图像到二值图像的完整处理链路。摄像头采集的原始图像中，每个像素点都携带灰度或颜色信息；阈值处理的核心是设定一个或多个分割点（阈值T），将像素空间划分为“目标”和“背景”两个子集。在OpenMV中，这一过程通常通过 image.binary() 或 image.threshold() 方法实现。理解这一链路，是后续进行线段检测和运动控制的基础——因为只有获得了干净的二值图像，才能准确提取线条的坐标、角度和宽度等特征。

4.1 核心原理：灰度图像与阈值分割的数学本质

图像阈值处理本质上是一个像素级的分类问题。对于灰度图像，每个像素的亮度值范围是0到255，其中0代表纯黑，255代表纯白。阈值分割的目标是找到一个合适的阈值T，使得所有满足条件 pixel >= T 的像素被归类为目标（通常赋值为255），其余像素被归类为背景（赋值为0）。这一过程可以用数学表达式简洁描述：

if gray_pixel >= T:
    binary_pixel = 255
else:
    binary_pixel = 0

在OpenMV中，灰度图像的二值化可以直接调用 sensor.set_pixformat(sensor.GRAYSCALE) 后使用 img.binary([(threshold_min, threshold_max)]) 方法。这里的 threshold_min 和 threshold_max 定义了一个灰度区间，落在该区间内的像素被置为白色（255），区间外的像素被置为黑色（0）。值得注意的是，OpenMV的 binary() 方法支持多阈值区间，这意味着你可以同时提取多个灰度范围的目标，这在处理复杂背景时非常有用。

对于彩色图像，阈值处理扩展到了多通道空间。OpenMV默认使用LAB色彩空间进行颜色阈值分割，其中L代表亮度（0-100），A代表绿色到品红色的分量（-128到127），B代表蓝色到黄色的分量（-128到127）。通过设定每个通道的最小值和最大值，可以构建一个三维的“颜色盒子”，只有同时满足三个通道条件的像素才会被识别为目标。这种方法的优势在于，它能够将颜色信息与亮度信息分离，从而在光照变化剧烈的环境下保持较好的鲁棒性。

  关键理解：阈值分割的本质是“降维”——将高维的像素信息（灰度或颜色）映射到一维的二元空间（0或255）。这种降维虽然丢失了细节，但极大地简化了后续的图像分析任务。在巡线场景中，我们并不关心线条的纹理或渐变，只关心“哪里有线、哪里没有线”，因此二值化是最合适的预处理手段。

4.2 判断方法与操作流程：如何确定最佳阈值

确定最佳阈值是阈值处理的核心难点。阈值设置过高，目标像素可能被误判为背景；阈值设置过低，背景噪声则会被误判为目标。以下是三种常用的阈值确定方法，以及它们在OpenMV中的具体操作流程：

方法名称	适用场景	OpenMV实现方式	优缺点
固定阈值法	光照稳定、目标与背景灰度差异明显的环境	手动调整 `threshold_min` 和 `threshold_max`，通过IDE的阈值编辑器实时预览	简单直观，但环境变化时需要重新调参
自适应阈值法（Otsu）	光照不均匀、目标与背景灰度差异不固定的场景	使用 `image.threshold()` 配合 `auto_threshold=True` 参数，或调用 `image.get_histogram()` 分析灰度分布	自动计算最优阈值，适应性强，但计算量稍大
颜色阈值法（LAB）	彩色线条（如红色胶带）在彩色背景（如灰色地板）上的场景	使用 `sensor.set_pixformat(sensor.RGB565)`，通过IDE的阈值编辑器分别调整L、A、B三个通道的上下限	抗光照干扰能力强，但需要精确标定颜色范围

在OpenMV IDE中，阈值调试的推荐流程如下：

采集样本图像：将摄像头对准实际巡线场景，点击IDE右下角的“快照”按钮，冻结一帧包含目标线条和背景的图像。
打开阈值编辑器：在IDE的“工具”菜单中选择“机器视觉”->“阈值编辑器”，加载刚才的快照图像。
调整阈值区间：在编辑器右侧的直方图面板中，拖动滑块调整阈值上下限。观察左侧图像预览，确保目标线条被高亮为白色，背景被置为黑色。
验证鲁棒性：在不同光照条件下（如开灯、关灯、侧光）重复上述步骤，记录多组阈值参数，取交集或平均值作为最终配置。
写入代码：将调试好的阈值参数复制到代码中，例如 img.binary([(80, 180)]) 表示灰度值在80到180之间的像素被识别为目标。

经验提示：在巡线机器人中，建议优先使用灰度图像进行阈值处理。灰度图像的数据量仅为彩色图像的三分之一，处理速度更快，且对于黑白线条的识别已经足够。只有在线条颜色与背景颜色相近（如红色线条与棕色地板）时，才需要升级到LAB颜色阈值。

4.3 案例拆解：从灰度直方图到稳定阈值

下面通过一个具体的巡线场景，完整演示阈值分离目标与背景的实战过程。假设我们使用OpenMV Cam H7 Plus，在室内环境（光照约500 lux）下追踪一条宽度为2cm的黑色电工胶带，地面为浅灰色瓷砖。

初始现象与目标：摄像头采集到的原始灰度图像中，黑色线条的灰度值约为30-60，而浅灰色地板的灰度值约为150-200。目标是通过阈值处理，将黑色线条完整提取出来，同时消除地板上的细小纹理和反光噪声。

关键输入数据：使用 img.get_histogram() 获取灰度直方图，观察到明显的双峰分布——第一个峰集中在灰度值40附近（对应黑色线条），第二个峰集中在灰度值170附近（对应地板）。双峰之间的谷底位于灰度值100左右，这个谷底就是理想的阈值分割点。

分析判断过程：如果选择固定阈值T=100，则灰度值低于100的像素（包括黑色线条和部分阴影）被识别为目标，灰度值高于100的像素（包括地板和反光区域）被识别为背景。但实际测试发现，当机器人经过瓷砖接缝处时，接缝的暗色阴影灰度值约为90，会被误判为目标，导致线段检测出现“伪线条”。

实际操作步骤：

将阈值区间调整为 (0, 80)，排除灰度值在80-100之间的阴影干扰。
在代码中加入形态学滤波操作 img.erode(1) 和 img.dilate(1)，去除二值图像中的孤立噪点。
使用 img.find_blobs() 找到所有白色区域，并筛选出面积最大的区域作为目标线条。

结果对比：调整前，使用T=100时，每帧图像平均检测到3-5个“伪线条”区域；调整后，使用T=80并配合形态学滤波，伪线条数量降为0，且黑色线条的完整性保持在95%以上（线条中部的细小断裂可通过膨胀操作修复）。

风险与代价：将阈值从100降低到80，虽然消除了阴影干扰，但也可能丢失部分灰度值在80-100之间的线条边缘像素。如果线条本身颜色较浅（如灰色胶带），这种阈值设置会导致线条变细甚至断裂。因此，阈值的选择需要在“抗干扰”和“目标完整性”之间取得平衡。

复盘经验：在实际巡线中，光照变化是阈值失效的主要原因。建议在代码中实现“动态阈值”功能——每隔一定时间重新采集一帧图像，自动计算直方图谷底位置并更新阈值参数。OpenMV的 image.threshold() 方法支持 auto_threshold=True 参数，可以自动执行这一过程。

4.4 常见误区与总结复盘

在图像阈值处理的学习和实践中，初学者常犯以下错误，需要特别注意规避：

误区一：阈值是固定不变的。很多初学者在实验室调好一组阈值后，就直接部署到实际场地，结果发现机器人一换位置就“失明”。实际上，环境光照、地面材质、摄像头角度都会影响灰度分布，阈值必须根据实际场景动态调整。
误区二：二值化后图像就“干净”了。二值化只是完成了像素分类，但分类结果中仍然可能包含噪声、孤立点、断裂区域等。必须配合形态学操作（腐蚀、膨胀、开运算、闭运算）来优化二值图像的质量。
误区三：颜色阈值比灰度阈值“高级”。颜色阈值确实能提供更多信息，但它的调试复杂度也更高。在OpenMV的LAB阈值编辑器中，L、A、B三个通道的微小变化都可能导致分割结果剧烈波动。对于黑白线条识别，灰度阈值往往更稳定、更高效。
误区四：忽略ROI（感兴趣区域）的设置。在巡线场景中，线条通常只出现在图像的下半部分。如果对整个图像进行阈值处理，不仅计算量大，而且容易将图像上方的无关物体（如墙壁、天花板）误判为目标。通过 img.binary(thresholds, roi=(x, y, w, h)) 指定ROI，可以显著提高处理速度和准确性。

风险警示：阈值处理是图像处理链路的“入口”，一旦阈值设置不当，后续的线段检测、巡线控制都会受到连锁影响。例如，阈值过高导致线条断裂，线段检测算法可能将一条直线误判为多段短线段，进而导致机器人转向逻辑混乱。因此，在调试阈值时，务必使用实际场景中的多帧图像进行验证，而不是只依赖单帧快照。

总结复盘：图像阈值入门的关键在于理解“分割”的本质——通过设定合适的阈值，将像素空间划分为目标与背景两个子集。在OpenMV巡线机器人中，这一过程需要结合灰度直方图分析、阈值编辑器调试、形态学优化和ROI设置等多个环节。掌握从“原始图像”到“干净二值图像”的完整链路，是后续实现线段检测和运动控制的必要前提。建议读者在完成本章学习后，自行采集不同光照条件下的图像样本，反复练习阈值调试流程，直到能够快速、准确地为任意场景设定最优阈值。