图像二值化在工业检测中的实战应用：缺陷识别与质量控制，提升工业生产效率

目录
1. 图像二值化概述**
2. 图像二值化算法与实现

2.1 阈值法

2.1.1 全局阈值法
2.1.2 局部阈值法

2.2 聚类法

2.2.1 K-means聚类
2.2.2 FCM聚类

解锁专栏，查看完整目录
1. 图像二值化概述**
图像二值化是将灰度图像转换为只有两个像素值的图像（通常为黑色和白色）的过程。它在图像处理和计算机视觉中有着广泛的应用，尤其是在工业检测领域。
二值化通过设置一个阈值来实现，该阈值将灰度值划分为两类：大于阈值的像素被分配为白色，小于阈值的像素被分配为黑色。通过调整阈值，可以控制二值化图像中白色和黑色区域的比例。
二值化算法有多种，包括阈值法、聚类法和其他算法。阈值法是最常用的算法，它根据全局或局部阈值对像素进行分类。聚类法将像素聚类为两个组，然后根据聚类结果进行二值化。
2. 图像二值化算法与实现
2.1 阈值法
阈值法是图像二值化中最简单、最常用的方法。其基本原理是根据图像中像素的灰度值与设定的阈值进行比较，将像素灰度值大于阈值的像素置为白色（1），小于阈值的像素置为黑色（0）。
2.1.1 全局阈值法
全局阈值法使用一个固定的阈值对整个图像进行二值化。其优点是实现简单、计算量小，但对于灰度分布不均匀的图像，二值化效果可能不理想。
import cv2# 读取图像image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 设置阈值threshold = 128# 二值化图像binary_image = cv2.threshold(image, threshold, 255, cv2.THRESH_BINARY)[1]# 显示二值化图像cv2.imshow('Binary Image', binary_image)cv2.waitKey(0)cv2.destroyAllWindows()登录后复制
代码逻辑分析：

cv2.threshold() 函数执行图像二值化操作。第一个参数是输入图像，第二个参数是阈值，第三个参数是最大灰度值（通常为 255），第四个参数指定二值化类型（cv2.THRESH_BINARY 表示将大于阈值的像素置为白色，小于阈值的像素置为黑色）。
[1] 表示获取二值化后的图像，因为 cv2.threshold() 函数返回一个元组，其中第一个元素是阈值，第二个元素是二值化后的图像。

2.1.2 局部阈值法
局部阈值法将图像划分为多个子区域，并根据每个子区域的灰度分布计算局部阈值。这样可以更好地处理灰度分布不均匀的图像。
import cv2# 读取图像image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 设置局部阈值块大小block_size = 32# 二值化图像binary_image = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, block_size, 5)# 显示二值化图像cv2.imshow('Binary Image', binary_image)cv2.waitKey(0)cv2.destroyAllWindows()登录后复制
代码逻辑分析：

cv2.adaptiveThreshold() 函数执行局部阈值化操作。第一个参数是输入图像，第二个参数是最大灰度值，第三个参数指定局部阈值计算方法（cv2.ADAPTIVE_THRESH_GAUSSIAN_C 表示使用高斯加权平均），第四个参数指定二值化类型，第五个参数是局部阈值块大小，第六个参数是常数项。

2.2 聚类法
聚类法将图像中的像素根据灰度值聚类为不同的簇，然后将每个簇的平均灰度值作为阈值进行二值化。
2.2.1 K-means聚类
K-means聚类是一种常用的聚类算法。其基本原理是将图像中的像素随机分为 K 个簇，然后迭代更新簇中心和像素所属的簇，直到聚类结果收敛。
import cv2import numpy as np# 读取图像image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 设置聚类簇数k = 2# 转换为浮点型image = image.astype(np.float32)# 归一化图像image /= 255.0# 执行 K-means 聚类kmeans = cv2.kmeans(image.reshape(-1, 1), k, None, (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0))# 获取聚类中心centers = kmeans[1].reshape(-1)# 二值化图像binary_image = (image > centers[0]) * 255# 显示二值化图像cv2.imshow('Binary Image', binary_image)cv2.waitKey(0)cv2.destroyAllWindows()登录后复制
代码逻辑分析：

cv2.kmeans() 函数执行 K-means 聚类操作。第一个参数是输入图像（已转换为浮点型并归一化），第二个参数是聚类簇数，第三个参数是初始聚类中心（这里未指定），第四个参数是终止条件（迭代次数和精度）。
[1] 表示获取聚类中心，因为 cv2.kmeans() 函数返回一个元组，其中第一个元素是聚类标签，第二个元素是聚类中心。
二值化操作将大于第一个聚类中心（即背景）的像素置为白色，否则置为黑色。

2.2.2 FCM聚类
FCM（模糊 C 均值）聚类是一种软聚类算法，允许像素同时属于多个簇。其基本原理是根据像素与每个簇中心的相似度计算像素所属簇的权重，然后迭代更新簇中心和像素所属簇的权重，直到聚类结果收敛。
import cv2import numpy as npimport skfuzzy as fuzz# 读取图像image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)# 转换为浮点型image = image.astype(np.float32)# 归一化图像image /= 255.0# 设置聚类簇数k = 2# 设置模糊化参数m = 2.0# 执行 FCM 聚类centers, u, _, _, _, _, _ = fuzz.cluster.cmeans(image.reshape(-1, 1), k, m, error=0.005, maxiter=1000)# 获取聚类中心centers = centers.reshape(-1)# 二值化图像binary_image = (image > centers[0]) * 255# 显示二值化图像cv2.imshow('Binary Image', binary_image)cv2.waitKey(0)cv2.destroyAllWindows()登录后复制
代码逻辑分析：

fuzz.cluster.cmeans() 函数执行 FCM 聚类操作。第一个参数是输入图像（已转换为浮点型并归一化），第二个参数是聚类簇数，第三个参数是模糊化参数，第四个参数是终止条件（误差精度），第五个参数是最大迭代次数。
centers 表示聚类中心，u 表示像素所属簇的权重矩阵。
二值