在上一个博文中，高斯滤波后对灰度值用canny检测边缘。调整canny参数，检测边缘。下面换一种方式，即先二值化后，再findContours检测检测轮廓。
图像二值化
cv2.threshold(), cv2.adaptiveThreshold(), Otsu’s thresholding.
简单阈值划分
cv2.threshold(InputArray src, int threshold, int maxValue, int thresholdType)
函数返回两个量，retVal和阈值转换后的图像thresholded image。其中，第一个值retVal是在使用Ostu时，返回Ostu最优阈值；否则，则返回自己设置的阈值，例如127。
scr 输入图像thresholf 分割阈值maxValue 超过阈值后设定为最大值thresholdType 阈值类型，一共有5种类型表示二值化的图片处理方式。cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV是最常见的两种，前者表示大于阈值的取最大值（255），小于阈值的取最小值0；后者，小于阈值的取最大值（255），大于阈值的取最小值0。
自适应阈值划分
cv2.adaptiveThreshold((InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C)
src：输入图dst：输出图，大小与原图一致maxValue：最大值，同上adaptiveMethod：
自适应方法，分为局部均值法CV_ADAPTIVE_THRESH_MEAN_C和高斯均值法CV_ADAPTIVE_THRESH_GAUSSIAN_C thresholdType：二值化类型，只有两种：cv2.THRESH_BINARY和cv2.THRESH_BINARY_INV。blockSize：均值计算区域，只能选奇数3，5，7……。C：常数，区域均值后减去该常数。
其中，与全局均值作为阈值不同的，自适应法，是采用局部均值的方法来处理每个小区域。这样做可以排除，光线条件差异引起的图片整体明暗度的差异。
具体的，局部均值法CV_ADAPTIVE_THRESH_MEAN_C，计算blockSize * blockSize区域内的均值，减去常数C，作为该区域阈值；高斯均值法CV_ADAPTIVE_THRESH_GAUSSIAN_C ，计算blockSize * blockSize区域内的高斯均值(Gaussian Blur)，减去常数C。
左上是全局threshold=127划分的效果，光线条件不同，由于反光等使得阈值划分效果很差。右上是局部均值法；左下是高斯均值法，都采用了blockSize=11，差异并不明显。右下，高斯均值法，阈值类型为cv2.THRESH_BINARY_INV。
Otsu’s Binarization
现在假设，我们有了二值化分割的图像，那么问题是，如何判定分割的好坏呢？现考虑一个双峰图像，对于有明显双峰的图像，可以设定阈值为在两个峰之间的某个值，Otsu就是这样一种方法。Ostu的原理，寻找一个阈值，使得类间方差最小化。他为双峰图像计算阈值，然而对非双峰图像不太准确。对于一个双峰图像，用Ostu来选择阈值，可以使得前景，背景区分明显。
运用Ostu计算处理图像的方法，cv2.THRESH_OTSU
ret,th = cv2.threshold(img,0,255,cv2.THRESH_BINARY + cv2.THRESH_OTSU)
官方文档中还有关于Ostu的实现。
参考文献：
/blog//11/gaussian_blur.html
/?p=603
/wenhao_ir/article/details/51565517
/3.1.0/d7/d4d/tutorial_py_thresholding.html
