二值化函数作用：图像的二值化就是将图像上的像素点的灰度值设置为0或255，这样将使整个图像呈现出明显的黑白效果。在数字图像处理中，二值图像占有非常重要的地位，图像的二值化使图像中数据量大为减少，从而能凸显出目标的轮廓。
一）简单阈值
简单阈值当然是最简单，选取一个全局阈值，然后就把整幅图像分成了非黑即白的 二值图像
这个函数有四个参数，第一个原图像，第二个进行分类的阈值，第三个是高于（低于）阈值时赋予的新值，第四个是一个方法选择参数，常用的有：
• cv2.THRESH_BINARY（黑白二值）
• cv2.THRESH_BINARY_INV（黑白二值反转）
• cv2.THRESH_TRUNC （得到的图像为多像素值）
• cv2.THRESH_TOZERO
• cv2.THRESH_TOZERO_INV
该函数有两个返回值，第一个retVal（得到的阈值值（在后面一个方法中会用到）），第二个就是阈值化后的图像。
import matplotlib.pyplot as plt
import cv2
src = cv2.imread('test.png')
image = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
ret, threshold_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4), sharex=True, sharey=True)
ax1.axis('off')
ax1.imshow(cv2.cvtColor(src, cv2.COLOR_BGR2RGB))
ax1.set_title('Input image')
# Rescale histogram for better display
threshold_rescaled = exposure.rescale_intensity(threshold_image, in_range=(0, 10))
ax2.axis('off')
ax2.imshow(threshold_rescaled, cmap=plt.cm.gray)
ax2.set_title('threshold')
plt.show()
实例如下：
二）自适应阈值：
前面看到简单阈值是一种全局性的阈值，只需要规定一个阈值值，整个图像都和这个阈值比较。而自适应阈值可以看成一种局部性的阈值，通过规定一个区域大小，比较这个点与区域大小里面像素点的平均值（或者其他特征）的大小关系确定这个像素点是属于黑或者白（如果是二值情况）。使用的函数为：cv2.adaptiveThreshold（）
该函数需要填6个参数：
第一个原始图像
第二个像素值上限
第三个自适应方法Adaptive Method:
— cv2.ADAPTIVE_THRESH_MEAN_C ：领域内均值
—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：领域内像素点加权和，权 重为一个高斯窗口
第四个值的赋值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
第五个Block size:规定领域大小（一个正方形的领域）
第六个常数C，阈值等于均值或者加权值减去这个常数（为0相当于阈值 就是求得领域内均值或者加权值）
这种方法理论上得到的效果更好，相当于在动态自适应的调整属于自己像素点的阈值，而不是整幅图像都用一个阈值。
import matplotlib.pyplot as plt
from skimage.feature import hog
from skimage import data, exposure
import cv2
src = cv2.imread('12.JPG')
image = cv2.cvtColor(src, cv2.COLOR_BGR2GRAY)
threshold_image = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
cv2.THRESH_BINARY_INV,19,7)
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4), sharex=True, sharey=True)
ax1.axis('off')
ax1.imshow(cv2.cvtColor(src, cv2.COLOR_BGR2RGB))
ax1.set_title('Input image')
# Rescale histogram for better display
threshold_rescaled = exposure.rescale_intensity(threshold_image, in_range=(0, 10))
ax2.axis('off')
ax2.imshow(threshold_rescaled, cmap=plt.cm.gray)
ax2.set_title('threshold')
plt.show()
实例如下：
三）自适应阈值处理 与 OTSU阈值处理 的差异：
自适应阈值处理是按照blocksize的尺寸，逐个像素找阈值，也就是说，处理每个像素所用的阈值是不一样的。这也就是为啥返回值没有 threshold。
OTSU阈值处理，会给图像找一个统一使用的阈值，所有的像素都是按照这个阈值处理的。返回值有两个，第一个返回值就是threshold。
自适应阈值在光照不均匀，或者有阴影遮挡的时候有比较好的处理结果，自然需要更多的处理时间。
