4. 阈值分割核心概念
阈值分割是OpenMV颜色识别项目中最基础也最关键的一步。简单来说，阈值分割就是根据像素的颜色特征，将图像中的每个像素划分为“感兴趣”和“不感兴趣”两类。在OpenMV的IDE中，我们通过调整阈值工具中的数值，让摄像头能够“看懂”哪些区域属于目标物体，哪些区域属于背景。理解阈值、单通道与多通道阈值以及LAB色彩空间的含义，是后续Blob检测和外围设备联动的基石。如果阈值设置不当，后续所有识别逻辑都会建立在错误的数据之上，导致识别不稳定甚至完全失效。
上图展示了从原始图像到最终外设联动的完整链路。可以看到，阈值分割处于整个视觉处理流程的中间位置，它接收LAB色彩空间转换后的图像数据，输出二值化图像，供后续Blob检测使用。理解这条链路，有助于我们定位问题：当识别效果不佳时，我们需要判断是阈值设置问题、Blob参数问题，还是外设响应问题。
4.1 什么是阈值：从像素到二值化的决策边界
阈值（Threshold）在图像处理中是一个数值边界。对于灰度图像，阈值是一个0-255之间的整数；对于彩色图像，阈值则是一个多维向量。OpenMV的阈值分割操作，本质上是将每个像素的通道值与预设的阈值范围进行比较，如果落在范围内则将该像素标记为白色（255），否则标记为黑色（0）。这个过程称为二值化（Binarization），生成的图像称为二值图像或掩码（Mask）。
在OpenMV的IDE中，阈值工具提供了直观的滑块界面。当你打开“阈值编辑器”窗口时，可以看到当前画面的实时预览，以及L、A、B三个通道的直方图。通过拖动滑块，你可以设定每个通道的最小值和最大值。当所有通道的条件同时满足时，该像素才会被判定为目标像素。这种“与”逻辑关系非常重要：一个像素必须在L、A、B三个通道上都落在指定范围内，才会被保留为白色。
(L_min, L_max, A_min, A_max, B_min, B_max)。这6个数值共同定义了一个三维空间中的长方体，所有落在这个长方体内部的颜色都会被识别为目标颜色。
阈值的选择直接影响识别效果。如果阈值范围过窄，可能会漏掉部分目标区域（欠分割），导致Blob不完整；如果阈值范围过宽，则可能将背景中的相似颜色也纳入识别范围（过分割），产生大量噪声Blob。因此，阈值调整是一个需要反复实验和观察的过程。
4.2 单通道阈值与多通道阈值：从灰度到彩色
单通道阈值适用于灰度图像或单色传感器。在OpenMV中，如果使用灰度摄像头模式，阈值编辑器只显示一个通道（灰度值）的直方图。此时阈值是一个二元组(min, max)，例如(100, 255)表示提取所有亮度大于100的像素。单通道阈值计算量小、处理速度快，但只能区分亮度差异，无法区分颜色。
多通道阈值适用于彩色图像。OpenMV的彩色摄像头默认输出RGB图像，但在阈值分割时推荐使用LAB色彩空间。LAB色彩空间将颜色信息分解为三个通道：L（亮度）、A（绿-红轴）、B（蓝-黄轴）。这种分解方式更接近人类对颜色的感知，且对光照变化相对不敏感。多通道阈值需要同时设定三个通道的上下限，共6个参数。
| 对比维度 | 单通道阈值（灰度） | 多通道阈值（LAB） |
|---|---|---|
| 通道数量 | 1个（灰度值） | 3个（L、A、B） |
| 参数个数 | 2个（min, max） | 6个（Lmin, Lmax, Amin, Amax, Bmin, Bmax） |
| 颜色区分能力 | 只能区分亮度 | 可区分色相和饱和度 |
| 光照敏感性 | 高 | 较低（L通道独立） |
| 计算开销 | 低 | 中等 |
| 适用场景 | 黑白物体、高对比场景 | 彩色物体、复杂背景 |
在实际项目中，如果目标物体颜色鲜明且背景简单，使用单通道阈值可能就足够了。例如，在白色传送带上识别黑色方块，灰度阈值(0, 50)就能很好地分割。但如果目标物体是红色小球，背景中有橙色或粉色的干扰物，就必须使用LAB多通道阈值，通过A通道和B通道的组合来精确锁定红色范围。
4.3 LAB阈值范围的意义：为什么选择LAB而不是RGB
RGB色彩空间是硬件直接输出的格式，但它并不适合做颜色阈值分割。原因在于RGB三个通道高度相关，且对光照变化非常敏感。例如，一个红色物体在强光下可能呈现粉红色（R高、G中、B中），在弱光下可能呈现暗红色（R中、G低、B低）。如果使用RGB阈值，很难找到一个稳定的范围来覆盖这两种情况。
LAB色彩空间将亮度（L）与颜色信息（A、B）分离。L通道只表示明暗，范围是0-100；A通道表示从绿色（负值）到红色（正值）的渐变；B通道表示从蓝色（负值）到黄色（正值）的渐变。这种分离使得我们可以在调整颜色阈值时，不受亮度变化的影响。例如，对于红色物体，A通道的值通常在20-127之间，B通道的值通常在0-127之间，而L通道可以根据实际光照条件灵活调整。
LAB阈值范围的另一个意义在于它提供了“颜色容差”的概念。每个通道的上下限之间的宽度，决定了该通道的容差大小。例如，A通道范围设为(30, 80)，表示允许A值在30到80之间的所有颜色。范围越宽，容差越大，但误识别风险也越高；范围越窄，精度越高，但可能漏掉部分目标。
# OpenMV阈值元组示例
# 红色阈值（LAB）
red_threshold = (30, 90, 20, 80, 0, 60)
# 绿色阈值（LAB）
green_threshold = (30, 90, -80, -20, 0, 50)
# 蓝色阈值（LAB）
blue_threshold = (20, 80, -30, 30, -80, -20)上述代码展示了三种常见颜色的LAB阈值。可以看到，红色和绿色的主要区别在A通道：红色A值为正，绿色A值为负。蓝色则在B通道上表现为负值。这种直观的对应关系，使得LAB阈值在调试时更容易理解和调整。
4.4 案例拆解：红色小球识别中的阈值调优
假设我们需要在OpenMV上实现一个红色小球的识别系统，用于控制舵机跟踪小球。初始场景是室内桌面，光照为普通LED灯，背景为浅灰色桌面。我们使用OpenMV Cam H7 Plus，分辨率为QVGA（320x240）。
初始现象：使用默认的红色阈值(0, 100, 20, 127, 0, 127)，发现识别结果中包含了大量桌面反光区域和阴影边缘，Blob数量超过20个，且最大Blob的面积不稳定，时而大时而小。
分析过程：首先，我们怀疑是L通道范围过宽导致。桌面反光区域的L值较高（约80-95），而红色小球的L值在中等范围（约40-60）。于是我们将L通道范围调整为(30, 70)，重新测试。结果发现反光区域明显减少，但阴影边缘仍然被识别。进一步观察发现，阴影边缘的A通道值在10-20之间，接近红色范围的下限。我们将A通道下限从20提高到30，同时将B通道上限从127降低到80，以排除偏紫的颜色。
实际操作步骤：
- 打开OpenMV IDE的阈值编辑器，加载当前画面。
- 勾选“LAB”色彩空间，观察直方图分布。
- 先用鼠标框选小球区域，查看该区域的LAB值范围。
- 根据框选结果，设置初始阈值：L(30, 70), A(30, 80), B(0, 60)。
- 运行阈值分割预览，观察二值化图像中的白色区域。
- 微调A通道下限至35，排除阴影边缘。
- 微调B通道上限至50，排除桌面上的淡黄色污渍。
- 最终确定阈值：
(30, 70, 35, 80, 0, 50)。
结果对比：调整后，Blob数量从20+减少到2-3个，最大Blob的面积稳定在800-1200像素之间，且位置与小球实际位置吻合。舵机跟踪的响应速度明显提升，误触发率从30%降低到5%以下。
风险与代价：阈值收紧后，如果光照突然变暗，小球的L值可能低于30，导致漏检。为此，我们增加了自动曝光补偿，并定期重新校准阈值。此外，如果小球表面有高光反射，A通道值可能暂时降低，需要适当放宽A通道下限至30，以保留一定的容差。
image.get_threshold()）来动态获取阈值。
4.5 常见误区与总结复盘
在阈值分割的学习和实践中，初学者容易陷入以下几个误区：
- 误区一：直接使用RGB阈值。RGB通道相关性高，光照变化会导致阈值失效。应始终使用LAB色彩空间进行颜色阈值分割。
- 误区二：阈值范围越大越好。过宽的阈值会引入大量噪声，导致Blob检测不稳定。应尽量缩小阈值范围，只保留目标颜色的核心区域。
- 误区三：忽略L通道的作用。有些同学只调整A和B通道，认为L通道不重要。实际上，L通道可以帮助排除阴影、高光等亮度异常区域。
- 误区四：阈值设置后不再调整。环境变化后阈值需要重新校准。建议在代码中预留阈值参数，方便现场调试。
- 误区五：混淆“阈值”与“二值化”。阈值是参数，二值化是操作。阈值分割的结果是二值图像，但阈值本身是数值范围。
总结复盘：阈值分割是OpenMV颜色识别项目的核心环节。理解阈值作为“多维决策边界”的本质，掌握单通道与多通道阈值的适用场景，熟悉LAB色彩空间的含义，是每个开发者必须掌握的基础能力。在实际项目中，阈值调优需要结合直方图观察、区域框选、实时预览和反复测试。建议每次调整只改变一个参数，观察效果后再调整下一个参数，避免多个参数同时变化导致无法定位问题。
通过本节的案例，我们看到了从“初始阈值”到“优化阈值”的完整过程。这个过程不仅涉及参数调整，还包含了对光照、背景、目标特性的综合分析。在后续的Blob检测章节中，我们将基于本节设定的阈值，进一步提取目标物体的位置、大小和方向信息，实现更高级的视觉功能。