Python图像阈值化分割实战：迭代法原理与代码实现

小满

发布时间：2026-10-14| 4人浏览过

原创

本文详细介绍基于Python的图像阈值化分割技术，重点解析迭代法原理。通过灰度直方图的双峰特性确定初始阈值，并迭代计算最佳分割值。文章包含完整的算法流程图、Python代码实现及结果展示，适用于目标与背景灰度差异明显的图像分割场景。

阈值化分割原理

1.阈值化分割原理

该方法通过对图像灰度直方图进行数学统计，设定一个或多个阈值，将像素点划分到不同的类别中。通常情况下，若图像由灰度值差异较大的目标和背景构成，且目标区域内像素灰度分布均匀，背景区域像素也在另一灰度级上分布均匀，此时图像的灰度直方图会呈现明显的双峰特征。

针对上述情况，选取位于两个峰值之间谷底所对应的灰度值T作为灰度阈值。将图像中各像素的灰度值与阈值T进行比较，根据比较结果将像素划分到两个类别中：灰度值大于阈值T的像素归为一类，其余像素归为另一类。经阈值化处理后的图像g(x,y)定义如下：

其中，f(x,y)表示原始图像，T为设定的灰度阈值，g(x,y)为分割后生成的二值图像。

算法流程与代码实现

2.算法流程图

3.代码实现


from PIL import Image
import matplotlib.pyplot as plt
import numpy as np
#读入图片并转化为矩阵
img = plt.imread('2.jpg')
im = np.array(img)

# 矩阵大小
l = len(im)
w = len(im[0])

#求初始阈值
zmin = np.min(im)
zmax = np.max(im)
t0 = int((zmin+zmax)/2)

#初始化相关变量初始化
t1=0
res1=0
res2=0
s1=0
s2=0

#迭代法计算最佳阈值
while abs(t0-t1)>0:
 for i in range(0,l-1):
  for j in range(0,w-1):
   if im[i,j]<t0:
    res1=res1+im[i,j]
    s1=s1+1
   elif im[i,j]>t0:
    res2=res2+im[i,j]
    s2=s2+1
 avg1=res1/s1
 avg2=res2/s2
 res1 = 0
 res2 = 0
 s1 = 0
 s2 = 0
 t1 = t0   #旧阈值储存在t1中
 t0=int((avg1+avg2)/2)  #计算新阈值

#阈值化分割
#像素点灰度值小于最佳阈值t0用0填充，其余用255填充
im = np.where(im[...,:] < t0, 0, 255)

#绘制原图窗口
plt.figure()
plt.imshow(img , cmap='gray')
plt.title('original')

#绘制原图直方图并显示最佳阈值
plt.figure()
plt.hist(img.ravel(),256)
plt.title('hist')
plt.axvline(t0)  #绘制最佳阈值分割线
plt.text(25, 6100, "Best Threshold:{}".format(t0), size = 15, alpha = 0.8)

#绘制阈值化分割后图像
plt.figure()
plt.imshow(Image.fromarray(im) , cmap='gray')
plt.title('new')

#绘制阈值化分割后图像的直方图
plt.figure()
plt.hist(im.ravel(),256)
plt.title('hist')

plt.show()