如何用像素标准差矩阵在OpenCV中实现图像阈值处理？

阿华AIGC实验室

2026-5-19

用OpenCV实现基于标准差矩阵的自适应阈值前景检测

嘿，这个需求其实刚好对应背景建模里的高斯背景建模简化版——你已经提前算出了背景的均值（μ）和标准差（σ）图，接下来只需要对每个像素做逐像素的阈值判断就行，完全不用固定阈值！我给你拆解步骤，再附上Python代码示例：

核心思路

对于带有人物的目标帧中的每个像素：

计算该像素值与背景均值图对应像素的绝对差值，若这个差值大于 α × 标准差图对应像素（α是你可以调整的系数，通常取2或3，对应高斯分布的95%/99.7%置信区间），则判定为前景（人物），否则为背景。

具体实现步骤（Python + OpenCV）

1. 导入依赖库

import cv2
import numpy as np

2. 读取预处理好的均值图和标准差图

注意：这两张图要以浮点型读取，因为均值和标准差都是非整数，用整数会丢失精度：

# 读取均值图（假设你已经保存为mean_bg.png）
mean_img = cv2.imread("mean_bg.png", cv2.IMREAD_GRAYSCALE).astype(np.float32)
# 读取标准差图（假设保存为std_bg.png）
std_img = cv2.imread("std_bg.png", cv2.IMREAD_GRAYSCALE).astype(np.float32)

如果你的均值/标准差图是彩色的，把IMREAD_GRAYSCALE去掉就行，处理逻辑和灰度图一致。

3. 处理带人物的视频帧

接下来遍历视频的每一帧，做逐像素判断：

# 打开带人物的视频
cap = cv2.VideoCapture("person_in_bg.mp4")

# 调整系数α，根据你的场景微调（比如2或3）
alpha = 2.0

while cap.isOpened():
    ret, frame = cap.read()
    if not ret:
        break
    
    # 转成灰度图（如果是彩色处理就跳过这步）
    frame_gray = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY).astype(np.float32)
    
    # 计算当前帧与均值图的逐像素绝对差
    abs_diff = cv2.absdiff(frame_gray, mean_img)
    
    # 生成逐像素阈值：α × 标准差
    threshold_matrix = std_img * alpha
    
    # 生成前景掩码：差值大于阈值的像素设为255（白色），否则0（黑色）
    foreground_mask = (abs_diff > threshold_matrix).astype(np.uint8) * 255
    
    # 可选：对掩码做形态学操作，去除小噪点
    kernel = np.ones((3,3), np.uint8)
    foreground_mask = cv2.morphologyEx(foreground_mask, cv2.MORPH_CLOSE, kernel)
    
    # 显示结果
    cv2.imshow("Foreground Mask", foreground_mask)
    cv2.imshow("Original Frame", frame)
    
    if cv2.waitKey(1) & 0xFF == ord('q'):
        break

cap.release()
cv2.destroyAllWindows()