灰度阈值是啥意思呢？我们慢慢说。
1.灰度图
我们现在有一张彩色图，我们给它用黑白的方式变现，就形成灰度图，如图所示。
图1
那究竟怎么转换的呢？很简单，我们根据如下公式，把BGR三个通道换成一个Gray通道（0~255）：
Gray = R*0.299 + G*0.587 + B*0.114
其中，R,G,B分别代表的是R,G,B三个通道的值（0~255）。
用python语句导入灰度图只需要在导入图像时候后面多一个0即可：
img = cv2.imread("linetest.jpg", 0)2.灰度直方图
灰度直方图很容易理解，就是我们有一张灰度图，如图1那张。这张图是800*858的尺寸的图。也就是说，该图里面有686400个像素点，每一个像素都对应一个值（0~255），然后我们统计一下0~255这些值共有多少个，并画出统计图：
图2
看图2，输入色阶里面从左到右分别对应的是0~255这些数值的数目。我们发现，这里面亮的点不少（接近255），暗的很少（接近0），不亮不暗的占大多数（中间的值）
3.阈值分割
我们选择0~255之间的一个值，比如150，然后小于等于150都给它变成0，大于150的都给他变为255，这样，我们的图里面就只有两个颜色（黑、白）了。分割后的图像为二值图像，如图3所示：
图3
我们可以使用PYTHON代码来执行这个阈值分割：
ret, thresh = cv2.threshold(img, 150, 255, cv2.THRESH_BINARY)该语句表示：将灰度图像img进行二值化处理，灰度小于150的为0，大于的255
ret: 输入的阈值
thresh : 处理好的图片
cv2.THRESH_BINARY：表示根据灰度小于阈值的为0，大于的255。
确定一个最佳阈值，使背景和目标之间的差异最大，能够有效地分离背景和前景。那么怎么找阈值呢，我们引入大津算法。
4大津算法
有个小日子叫大津展之（おおつのぶゆき），他在1979年时候发明了一个针对二值化的确定最佳阈值有效方法。
图4
这个算法是怎么运行的呢，特别简单。
（1）假定我们灰度图是5*5的尺寸的图。也就是说，该图里面有25个像素点，那么我们设定一个N=25
（2）接下来，我们求一下个灰度值的概率。P_i=n_i/N，其中ni为灰度值i的像素个数。例如，灰度值为150的有5个，那么P_150=n_150/N=5/25=1/5=0.2。
（3）然后我们从阈值为0开始，进行阈值分割为{G1，G2}两组，分别为小于0组G1，大于等于0的组G2。（灰度值小于等于1的都为0，大于1的都为255。）就可以得到G1的总概率值w0，G2的总概率值w1：
也可以得到G1、G2的平均值:
整个图像的灰度平均值、方差可以通过如下式子求得：
当我们求完阈值为0的情况的方差之后，我们进行阈值为1，2，3。。。。。一直到254时候的平均值，方差。然后我们选择方差最大情况下的阈值T，作为我们最终的阈值。
上面的公式我们在其它阈值T下遍历时，可以改为：
我们可以使用PYTHON代码来执行这个大津算法，执行的结果如图5所示：
ret2,thresh2= cv2.threshold(img,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
图5
最后奉上全部代码：
# 导入类库
import cv2
import numpy as np
if __name__ == '__main__':
# 读入灰度图片
img1 = cv2.imread("linetest.jpg")
img2 = cv2.imread("linetest.jpg", 0)
# 显示图片
cv2.imshow('orgin1', img1)
cv2.imshow('orgin2', img2)
#阈值分割
ret1, thresh1 = cv2.threshold(img2, 150, 255, cv2.THRESH_BINARY)
#大津算法
ret2, thresh2 = cv2.threshold(img2, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 显示图片
cv2.imshow('orgin3', thresh1)
cv2.imshow('orgin4', thresh2)
# 按任意键退出
cv2.waitKey()
cv2.destroyAllWindows()以上就是阈值分割的所有内容啦！
