初学图像处理的人，一般首先熟悉图像格式，图像存储方式，8位灰度图，24位彩色图等基础知识，然后接触到的图像算法一般都是图像直方图、图像二值化处理等基础算法。二值化算法作为图像处理入门级算法，在很多场合都有应用。常用的二值化算法是固定阈值二值化，算法本身很简单，机器视觉处理的很多都是8位灰度图像，灰度值从0到255,。所谓二值化就是给定一个阈值，让小于这个阈值的灰度值为0，大于等于这个阈值的设为255，这样在图像上显示出来就是一幅黑白图像。当然，很多资料介绍的是小于阈值为0，大于阈值为1。这其实是一个意思。但是，如果想看到显示效果，一般不会用1来表示亮的点，而是用255。如果熟悉了最早我写的opencv对于mat数据的操作，要实现这种固定阈值算法是非常简单的。但是，opencv已经写好了二值化算法，也不需要我们自己写了。下面看一下具体的例子，代码在vs2015+opencv4.0.1上实现。如果已经配置好了opencv，可以直接运行。
#include "iostream"
#include "opencv2opencv.hpp"
using namespace std;
int main(int argc, char ** argv)
{
Mat src = imread("e:img1.ppm", 0);
Mat dst;
threshold(src, dst, 100, 255, 0);
Mat adpDst;
adaptiveThreshold(src, adpDst, 100, 0, 0, 31,-20);
namedWindow("src", 0);
imshow("src", src);
namedWindow("dst", 0);
imshow("dst", dst);
namedWindow("adp", 0);
imshow("adp", adpDst);
waitKey(0);
return 0;
}可以看到，算法本身很简单，只需要一个函数threshold就可以实现。第一个参数是输入图像，第二个是输出图像，第三个是阈值，第四个是指将大于等于阈值的灰度值设置为多大的值，最后一个参数是二值化方式。在opencv里面用了一个枚举类型来定义。如下：
enum ThresholdTypes {
THRESH_BINARY = 0,
THRESH_BINARY_INV = 1,
THRESH_TRUNC = 2,
THRESH_TOZERO = 3,
THRESH_TOZERO_INV = 4,
THRESH_MASK = 7,
THRESH_OTSU = 8,
THRESH_TRIANGLE = 16
};在这几种二值化方式的中，最常用的也就是前面两种。有的人还喜欢用THRESH_OTSU进行二值化，这是大律法。然而，如果直接用大律法进行二值化，实际效果并不是很好，因为这是全局阈值，比较好的二值化方法应该用局部阈值，毕竟图像上每个地方的灰度值差别是比较大的。所以，opencv里面有提供了一个局部自适应二值化函数adaptiveThreshold。这个函数的效果比较好，但是，很多人用这个函数的时候，却不知道参数怎么设置比较好，结果往往出来的效果不理想，反而认为算法不好。其实，就算固定阈值二值化算法，在很多时候都能得到很好的效果，只不过我们很多人不是很清楚算法怎么配合使用而已。比如，我们设置参数的时候，对于adaptiveThreshold算法，设置的块大小很多人都是3、5、7。好像觉得把块设大一点图像就不对了一样，对于adaptiveThreshold的最后一个参数，其实还可以设置为负值，可能最后得到的效果就完全不一样。所以，这就是我们对算法不够了解，只知道如何调用这些函数，却不知道怎么使用是最好的。
另外，对于threshold函数，由于只有一个固定阈值，而很多时候我们可能需要分段阈值，有可能图像上的感兴趣区域灰度值在100到180之间，那么这个函数就需要我们自己改造一下才能够达到效果。此外，其实很多时候是不直接对原图进行二值化操作的，这种效果并不好，这也是很多人觉得threshold函数效果不好的原因，给个提示，如果你先将图像进行一下边缘检测，再用这个函数试试，可能效果就完全不一样了，当然边缘检测的函数也要有选择，不能随便哪个函数都可以。
上面代码只是展示了threshold和adaptiveThreshold两个函数的调用方法，具体的参数怎么调节才能到达最好的效果，还需要根据具体的图像来确定，在视觉检测中，一般要将参数发布出来，供技术人员调试，不然很难达到实际检测需求。下面的图是上面两种算法的结果，可以参考一下。
图1 原图
图2 固定阈值二值化
图3 自适应二值化
