如何在OpenCV-Python阈值处理时保留不同颜色的文本？

问题核心在于：深紫色文本直接转灰度后与深色背景的对比度极低，全局反转+OTSU阈值会将其误判为背景；自适应阈值虽能保留细节，但背景的非纯黑特性会引入大量噪点。以下是两种针对性的处理方案：

方案1：分颜色通道提取+合并文本 #

深紫色的蓝色分量（B通道）远高于深色背景，单独提取B通道可大幅提升文本与背景的对比度，再结合灰度图处理浅色文本，最后合并结果：

import cv2

# 读取原始图片
img = cv2.imread("your_image_path.jpg")

# 1. 处理浅色文本：灰度图+OTSU阈值
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, light_text_mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 2. 处理深紫色文本：提取B通道+OTSU阈值
b_channel = img[:, :, 0]  # OpenCV采用BGR顺序，索引0对应蓝色通道
_, dark_purple_mask = cv2.threshold(b_channel, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 3. 合并两个文本掩码（保留所有白色文本区域）
combined_mask = cv2.bitwise_or(light_text_mask, dark_purple_mask)

# 可选：反转掩码回到深色背景浅色文本的形式（如果OCR需要）
final_img = cv2.bitwise_not(combined_mask)

方案2：自适应阈值+形态学去噪 #

如果不想分通道处理，可先对灰度图做高斯模糊抑制噪点，再用自适应阈值，最后通过形态学操作清理残留噪点：

import cv2

img = cv2.imread("your_image_path.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯模糊：降低背景噪点影响
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# 自适应阈值：采用高斯加权，适配局部亮度差异
adaptive_thresh = cv2.adaptiveThreshold(
    blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2
)

# 形态学开运算：先腐蚀再膨胀，去除小噪点
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
cleaned_img = cv2.morphologyEx(adaptive_thresh, cv2.MORPH_OPEN, kernel)

关键说明 #

• 方案1更精准，能分别最大化两种文本的对比度，适合颜色差异明显的场景；
• 方案2操作更简洁，适合背景噪点分布均匀的情况，调整高斯模糊核大小和自适应阈值的块大小、常数参数可进一步优化效果。

内容的提问来源于stack exchange，提问作者Bryant Makes Programs