直方图双峰法是一种基于图像灰度分布特性的经典阈值分割方法，特别适用于前景和背景灰度值分布明显分离的图像。该方法的核心思想是利用图像的灰度直方图呈现的双峰特性，找到两个峰值之间的波谷位置，将该灰度值作为阈值对图像进行二值化处理。 实现步骤如下： 1. **读取图像并转换为灰度图像**：使用 `cv2.imread` 读取图像，并通过 `cv2.cvtColor` 将图像转换为灰度图像。 2. **计算灰度直方图**：通过 `cv2.calcHist` 计算图像的灰度直方图。 3. **对直方图进行平滑处理**：使用高斯滤波或移动平均法对直方图进行平滑处理，以减少噪声干扰并更准确地识别波峰和波谷。 4. **识别直方图中的波峰和波谷**：通过遍历直方图找到第一个和第二个峰值，并在两者之间找到最小值（波谷）。 5. **确定阈值并进行二值化处理**：将波谷对应的灰度值作为阈值，使用 `cv2.threshold` 对图像进行二值化分割。 以下是一个完整的 Python 实现示例： ```python import cv2 import numpy as np import matplotlib.pyplot as plt def bimodal_threshold(hist): # 平滑直方图 hist_smooth = cv2.GaussianBlur(hist, (5, 1), 0) # 找到第一个峰值 peak1 = np.argmax(hist_smooth) # 在第一个峰值之后寻找第二个峰值 peak2 = np.argmax(hist_smooth[peak1+1:]) + peak1 + 1 # 在两个峰值之间寻找波谷 valley = np.argmin(hist_smooth[peak1:peak2]) + peak1 return valley # 读取图像并转换为灰度图像 image = cv2.imread('image.jpg', 0) # 计算直方图 hist = cv2.calcHist([image], [0], None, [256], [0, 256]) # 计算阈值 threshold_value = bimodal_threshold(hist) # 使用计算得到的阈值进行二值化处理 _, binary_image = cv2.threshold(image, threshold_value, 255, cv2.THRESH_BINARY) # 显示结果 plt.figure(figsize=(12, 6)) plt.subplot(1, 3, 1) plt.title("Original Image") plt.imshow(image, cmap='gray') plt.subplot(1, 3, 2) plt.title("Histogram with Threshold") plt.plot(hist, color='black') plt.axvline(x=threshold_value, color='r', linestyle='--') plt.xlabel("Pixel Value") plt.ylabel("Frequency") plt.subplot(1, 3, 3) plt.title("Binary Image") plt.imshow(binary_image, cmap='gray') plt.tight_layout() plt.show() ``` 在上述代码中，`bimodal_threshold` 函数实现了双峰法的核心逻辑。首先对直方图进行高斯平滑处理，然后找到两个主要峰值，并在它们之间寻找波谷，波谷的位置即为分割阈值。最后，使用该阈值对图像进行二值化处理，并通过 `matplotlib` 显示原始图像、直方图以及二值化后的结果图像[^3]。