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值化

图像二值化是图像处理中的一种基本操作，它将图像中的像素点的灰度值设置为0或255，即黑或白，从而将图像转换为只有两种颜色的黑白图像。二值化通常用于图像分割、特征提取等任务。以下是使用函数调用和函数自定义两种方式实现的五种不同的图像二值化方法：

1. 固定阈值法：这是最简单的二值化方法，它直接使用一个固定的阈值来判断像素点是属于前景（目标）还是背景。

   def fixed_threshold(image, thresh):
       _, binary_img = cv2.threshold(image, thresh, 255, cv2.THRESH_BINARY)
       return binary_img

2. 自适应阈值法：这种方法根据图像中每个像素周围的局部区域计算阈值，适用于光照不均匀的图像。

   def adaptive_threshold(image, method, block_size, C):
       binary_img = cv2.adaptiveThreshold(image, 255, method, cv2.THRESH_BINARY, block_size, C)
       return binary_img

3. OTSU阈值法：这种自适应的方法通过分析图像直方图来自动选择阈值，不需要预先指定阈值。

   def otsu_threshold(image):
       _, binary_img = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
       return binary_img

4. 大津法（OTSU）：与OTSU阈值法类似，但是它在计算过程中考虑了像素间的相关性，可以在一些特定情况下取得更好的效果。

   # 大津法（OTSU）与OTSU阈值法类似，通常在同一个库的函数中实现，参数也类似。

5. 高斯混合模型（GMM）阈值法：这种方法使用高斯分布来建模图像的前景和背景像素，从而确定最佳的分割阈值。

   def gmm_threshold(image):
       # 实现GMM阈值法的代码较为复杂，需要使用统计模型来估计高斯分布参数。
       # 通常涉及到scikit-learn或其他机器学习库来实现。
       return binary_img

函数调用的方式则是直接调用已经封装好的库函数来实现二值化，例如在OpenCV中，可以使用`cv2.threshold`函数和`cv2.adaptiveThreshold`函数来实现上述方法。