工业检测中的MATLAB图像二值化：缺陷识别利器，提升产品质量

# 1. MATLAB图像二值化基础**

图像二值化是将灰度图像转换为二值图像的过程，其中像素值仅为黑色（0）或白色（1）。它在图像处理和计算机视觉中有着广泛的应用，例如缺陷检测、目标识别和图像分割。

MATLAB提供了丰富的图像二值化函数，包括固定阈值法、自适应阈值法和边缘检测法。固定阈值法将所有像素值高于或低于给定阈值的像素转换为白色或黑色。自适应阈值法根据图像局部区域的特性动态调整阈值，以获得更好的二值化效果。边缘检测法通过检测图像中的边缘和轮廓来创建二值图像。

# 2. MATLAB图像二值化算法

图像二值化是图像处理中的一项基本操作，它将灰度图像转换为二值图像，其中像素值仅为 0（黑色）或 1（白色）。MATLAB 提供了多种图像二值化算法，每种算法都具有不同的优点和缺点。本章将介绍 MATLAB 中常用的图像二值化算法。

### 2.1 固定阈值法

固定阈值法是最简单的图像二值化算法，它使用一个预定义的阈值将像素值二值化。如果像素值大于或等于阈值，则将其设置为 1；否则，将其设置为 0。

#### 2.1.1 全局阈值法

全局阈值法使用一个单一的阈值来对整个图像进行二值化。该阈值通常是图像中像素值的平均值或中值。全局阈值法适用于具有均匀背景的图像，但对于具有复杂背景或变化照明条件的图像效果不佳。

% 读取图像
I = imread('image.jpg');

% 计算图像的平均值
threshold = mean(I(:));

% 使用全局阈值法进行二值化
binaryImage = im2bw(I, threshold);

#### 2.1.2 局部阈值法

局部阈值法使用图像中每个像素邻域的统计信息来计算阈值。这使得它能够适应图像中不同的照明条件和背景。局部阈值法通常比全局阈值法产生更好的结果，但计算成本也更高。

% 读取图像
I = imread('image.jpg');

% 计算图像的局部均值
localMean = imfilter(I, fspecial('average', 5));

% 使用局部阈值法进行二值化
binaryImage = im2bw(I, localMean);

### 2.2 自适应阈值法

自适应阈值法根据图像中每个像素的邻域信息动态调整阈值。这使得它能够处理具有复杂背景或变化照明条件的图像。自适应阈值法通常比固定阈值法产生更好的结果，但计算成本也更高。

#### 2.2.1 Otsu阈值法

Otsu阈值法是一种自适应阈值法，它通过最大化图像中类内方差与类间方差之比来计算阈值。Otsu阈值法适用于具有两类像素（例如，前景和背景）的图像。

% 读取图像
I = imread('image.jpg');

% 使用 Otsu 阈值法进行二值化
binaryImage = im2bw(I, graythresh(I));

#### 2.2.2 Sauvola阈值法

Sauvola阈值法是一种自适应阈值法，它根据图像中每个像素的局部均值和标准差计算阈值。Sauvola阈值法适用于具有复杂背景或变化照明条件的图像。

% 读取图像
I = imread('image.jpg');

% 计算图像的局部均值和标准差
localMean = imfilter(I, fspecial('average', 5));
localStd = imfilter(I, fspecial('gaussian', 5, 1));

% 使用 Sauvola 阈值法进行二值化
binaryImage = im2bw(I, localMean + 0.5