1. グレースケールで画像を読み込み

画像処理の基本「二値化」徹底解説！仕組みから大津の手法・実装まで

AIやディープラーニングが進化を遂げた2026年現在においても、コンピュータビジョンや検査システムの最前線で揺るぎない土台であり続けているのが「二値化」です。カメラが捉えた膨大な情報から輪郭や文字、欠陥などの本質的な特徴だけを瞬時に抽出するこの技術は、工場の外観検査からスマートフォンの書類スキャン、自動運転の標識認識に至るまであらゆる現場で稼働しています。

本稿では、画像処理の根幹をなす二値化の仕組みから、実務で多用される「大津の二値化（判別分析法）」や「適応的二値化」、さらにはPythonとOpenCVを用いた実践的なコード、現場で頻発する失敗への対処法まで、第一線のエンジニアが押さえるべきポイントを体系的に整理してお届けします。

📌 【この記事の重要ポイントまとめ】

• 要点1：二値化は濃淡画像（グレースケール）を白と黒の2階調に変換し、情報圧縮と対象抽出を高速化する必須技術。
• 要点2：固定閾値だけでなく「大津の二値化」や「適応的二値化」を適切に選択することで、照明ムラやノイズの課題を克服可能。
• 要点3：画像認識の前処理として適切な二値化とノイズ除去を組み合わせることが、後段のAIモデルやアルゴリズムの精度を最大化する鍵。

【基礎知識】画像処理における二値化の仕組みとアルゴリズムの基本

二値化とは、画像の各画素（ピクセル）が持つ明るさの情報を、ある基準値（閾値：しきい値）を境に「0（黒）」と「255（白）」の2つの値だけに変換する処理を指します。一般的なカラー画像（RGB）は1ピクセルあたり約1677万色（24ビット）、グレースケール画像は256階調（8ビット）の情報量を持っていますが、二値化を行うことで1ピクセルあたりわずか1ビットにまでデータが圧縮されます。

ここで混同しやすいのが「グレースケールと二値化の違い」です。グレースケールは色の情報（色相・彩度）を捨てて明暗のグラデーション（0〜255の256段階）のみを残す処理であるのに対し、二値化はそのグラデーションすら排除し、完全な白と黒の2極に振り分けます。

データ量を極限まで削ぎ落としながらも、対象物の輪郭や形状といった幾何学的特徴を際立たせることができるため、画像認識における前処理として計算コストの削減と認識精度の向上を同時に達成できる強みがあります。

【手法一覧】二値化処理の手法まとめ｜固定閾値から局所的二値化まで

二値化処理の手法は、閾値をどのように決定するかによって大きく3つに分類されます。用途や撮像環境に応じた使い分けが求められます。

1. 固定閾値処理（大域的二値化）
画像全体に対してあらかじめ指定した単一の数値（例：128）を一律に適用する最もシンプルなアルゴリズムです。外光の変化がなく、照明環境が完全にコントロールされた工場ラインなどで極めて高速に動作します。

2. 大津の二値化（判別分析法）
画像の輝度ヒストグラムを自動解析し、統計的な分離度が最大となる最適な閾値をアルゴリズムが自動算出する手法です。人手による調整を不要にする標準的な手法として広く普及しています。

3. 適応的二値化（局所的二値化）
画像全体を小さな小領域（近傍ブロック）に分割し、領域ごとに異なる閾値を動的に計算する手法です。部分的な影や照明のグラデーションが存在するシーンにおいて、固定閾値では潰れてしまうディテールを鮮明に残すことができます。

【アルゴリズム詳解】自動で最適な境界を見抜く「大津の二値化（判別分析法）」の威力

数ある自動閾値選定アルゴリズムの中でも、1979年に大津展之氏によって提案された「判別分析法（大津の二値化）」は、その洗練された数学的背景から現在も業界標準として君臨しています。

その基本原理は、画像を「背景」と「対象物」という2つのクラスに分けた際、クラス間分散とクラス内分散の比率（分離度）を最大化する閾値を探し出す点にあります。

・クラス内分散：各クラス内の明るさのばらつき（小さいほど、それぞれのグループがまとまっている）
・クラス間分散：2つのクラスの平均値同士の離れ具合（大きいほど、白と黒の差がくっきりしている）

全ピクセルの輝度ヒストグラムから0〜255のすべての境界候補について分離度を高速計算し、ピークとなる値を閾値として自動決定します。ヒストグラムの山が「背景の山」と「対象物の山」の2峰性に綺麗に分かれている画像では、極めて高精度に境目を分離します。

【実践コード】PythonとOpenCVで即実践！二値化処理の実装パターン

画像処理ライブラリのデファクトスタンダードであるPythonとOpenCV（cv2）を使用すれば、これらの二値化処理は数行のコードで実装可能です。代表的な3つのアプローチを比較します。

import cv2 image = cv2.imread('input.jpg', cv2.IMREAD_GRAYSCALE) # 2. 固定閾値処理（閾値127で二値化） _, binary_fixed = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY) # 3. 大津の二値化（THRESH_OTSUフラグを付与、閾値引数は0で自動計算） val, binary_otsu = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) print(f"自動決定された大津の閾値: {val}") # 4. 適応的二値化（近傍11ピクセルのガウシアン加重平均から閾値を算出） binary_adaptive = cv2.adaptiveThreshold( image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2 ) # 結果の保存 cv2.imwrite('binary_otsu.jpg', binary_otsu) cv2.imwrite('binary_adaptive.jpg', binary_adaptive) 

cv2.thresholdの戻り値には、計算された実際の閾値が含まれるため、品質モニタリングやログ収集にもそのまま活用できます。

【トラブルシューティング】二値化の失敗対策｜ノイズ・照明ムラを克服する前処理

二値化の現場で最も多いトラブルが、「文字の一部がかすれて途切れる」「背景の影が黒い塊として残る」「細かなゴマ塩ノイズが散乱する」といった現象です。こうした失敗を防ぐには、二値化の前後に適切なフィルタ処理を挟む設計が欠かせません。

1. ガウシアンフィルタによる平滑化（二値化前）
撮像素子特有の高周波ノイズが存在すると、大津の二値化のヒストグラム計算が狂います。事前にcv2.GaussianBlurなどで軽くぼかしを入れるだけで、閾値の安定性が劇的に向上します。

2. コントラスト制限適応ヒストグラム平坦化（CLAHE）
部分的な逆光や影がある場合、二値化の前にCLAHE（cv2.createCLAHE）を通すことで、明暗差の激しい領域のローカルコントラストを自然に持ち上げ、適応的二値化の精度を底上げできます。

3. モルフォロジー演算（二値化後）
二値化後の画像に対して膨張（Dilation）と収縮（Erosion）を組み合わせる「オープニング処理（孤立点ノイズ除去）」や「クロージング処理（かすれた線の穴埋め）」を施すことで、後段のOCRや輪郭抽出処理が格段に安定します。

【二値化】に関するよくある質問（FAQ）

Q1：カラー画像をグレースケール化せずに直接二値化することは可能ですか？
A1：技術的にはRGB各チャンネルごとに閾値処理を行って合成することは可能ですが、演算量が3倍になるうえ、色相の違いによるノイズを拾いやすくなります。特殊な色抽出（例：特定の色画素のみを抽出するHSV空間での閾値処理）を除き、グレースケールに変換してから二値化するのが鉄則です。

Q2：最新のディープラーニングがある現代でも、二値化の前処理は本当に必要ですか？
A2：極めて有効です。エッジデバイスやIoTカメラなど計算リソースが限られた環境では、推論モデルに入力する画像サイズやチャンネル数を削減して超低遅延を実現するために二値化が不可欠です。また、OCR（光学文字認識）の認識精度安定化にも依然として多用されています。

Q3：大津の二値化が意図通りに機能しない典型的なパターンは？
A3：画像全体の中で対象物が極端に小さい場合（例：広い白背景の中に針の先ほどの黒点がある場合）です。ヒストグラム上に明確な2つの山が形成されないため、閾値が極端な値に偏ります。この場合は適応的二値化を採用するか、対象が存在するROI（関心領域）を絞り込んでから大津の手法を適用するのが効果的です。

まとめ：エッジAI時代に再評価される二値化の真価

画像処理の黎明期から存在する二値化は、一見するとシンプルな古典的技術に見えます。しかし、エッジAIやリアルタイムロボティクスが普及する現在、無駄な計算負荷を削ぎ落とし、システムの信頼性を担保するための「最も洗練された軽量化アプローチ」として再評価が進んでいます。

固定閾値のスピード、大津の手法による自動化、適応的二値化の環境対応力という各アルゴリズムの特性を正確に理解し、前後のフィルタ処理と組み合わせる設計力こそが、堅牢な画像認識システムを構築するための確かな基盤となります。 （出典: 二 値 化（Yahoo!ニュース））