使用Open CV转黑白效果不佳，如何实现高精度黑白图像转换？

普通全局阈值工具仅适合光照均匀、前后景对比度极高的简单场景，要达到参考样例级别的高精度转换效果，可以直接使用以下几类成熟方案，均支持快速落地：

• 自适应局部阈值法
  全局阈值对整张图使用统一判定值，遇到局部明暗不均的素材会出现大面积过曝/欠曝。OpenCV原生提供的cv2.adaptiveThreshold接口会为每个像素单独参考其邻域亮度计算阈值，能很好适配局部光照差异，基础调用代码如下：

  import cv2
  # 读入灰度图
  gray_img = cv2.imread("your_input.jpg", 0)
  # 邻域块大小、阈值偏移量可根据素材实际效果微调
  bw_result = cv2.adaptiveThreshold(
      gray_img, 255, 
      cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
      cv2.THRESH_BINARY, 
      blockSize=15, C=10
  )
  

  该方法处理线稿、印刷品类素材的效果远好于普通全局阈值，调参成本低。
• Sauvola阈值算法
  这是专门针对文档、手绘素材优化的局部二值化算法，噪点控制能力、边缘干净程度比OpenCV原生自适应阈值更优，非常接近专业扫描设备输出的黑白效果，可以直接调用scikit-image内置实现：

  import cv2
  import numpy as np
  from skimage.filters import threshold_sauvola
  gray_img = cv2.imread("your_input.jpg", 0)
  # window_size建议取奇数，k值通常在0.1-0.3区间调整
  threshold_map = threshold_sauvola(gray_img, window_size=25, k=0.2)
  bw_result = (gray_img > threshold_map).astype(np.uint8) * 255
  

  你给出的参考样例如果是文档、手绘线稿类效果，该算法经过简单调参基本可以直接匹配。
• 预训练深度学习二值化模型
  如果需要处理复杂实景拍摄的素材（比如带阴影、背景杂物、光照极差的拍摄文档/物体），传统算法调参成本较高，可以直接使用DIBCO文档二值化竞赛的开源预训练模型，无需从零训练，推理输出的边缘精度、抗干扰能力远高于传统算法，适合对效果要求极高的生产场景。

实用技巧：二值化处理前可以先对灰度图做一次3*3核的高斯模糊cv2.GaussianBlur(gray_img, (3,3), 0)，去除原图细碎噪点，最终输出的黑白图线条会更顺滑，不会出现大量孤立杂点。

参考效果样例 #

内容的提问来源于stack exchange，提问作者Tariq Hussain Dahri