分别用函数调用和函数自定义两种方式实现五种形式的图像二值化

图像二值化是一种图像处理技术，它将图像上的像素点的灰度值设置为0或255，即黑或白，以此简化图像的表示，主要用于突出图像中的特征和轮廓。在不同的编程语言和图像处理库中，实现图像二值化的具体函数和方法可能有所不同。以下是两种实现方式的基本概念和一般步骤：

1. 函数调用方式：
通常是指调用已经实现好的图像处理库中的二值化函数。例如，在Python中使用Pillow库或者OpenCV库时，可以通过调用相应的函数来实现图像的二值化。

使用Pillow库：

from PIL import Image, ImageOps

# 打开一张图像
img = Image.open("path_to_image.jpg")
# 转换为灰度图像
gray_img = img.convert("L")
# 应用二值化操作，参数为阈值
binary_img = ImageOps.invert(gray_img, threshold=128)
binary_img.save("binary_image.jpg")

使用OpenCV库：

import cv2

# 读取一张图像
img = cv2.imread("path_to_image.jpg", cv2.IMREAD_GRAYSCALE)
# 应用二值化操作，参数分别为阈值和最大值
_, binary_img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)
cv2.imwrite("binary_image.jpg", binary_img)

2. 函数自定义方式：
如果你希望更深入了解二值化的原理或者需要根据特定的需求定制二值化算法，你可以自定义一个函数来实现这一过程。以下是使用Python实现一个简单的自定义二值化函数的示例：

def custom_binary_image(image, threshold_value):
    binary_image = []
    for row in image:
        binary_row = []
        for pixel in row:
            if pixel < threshold_value:
                binary_row.append(0)  # 黑色
            else:
                binary_row.append(255)  # 白色
        binary_image.append(binary_row)
    return binary_image

# 假设已经有了一个灰度图像的二维数组
gray_image = [[...], [...], ...]  # 省略具体的像素值
binary_image = custom_binary_image(gray_image, 128)
# 现在binary_image是一个二值化后的二维数组

这里定义的`custom_binary_image`函数接受一个二维数组作为灰度图像，并将像素值与给定的阈值进行比较，生成一个二值化的二维数组。