图像阈值化：从灰度分割到场景适配的基础图像处理技术(二)

图像阈值化的技术演进经历了 “固定阈值→全局自适应阈值→局部自适应阈值” 三个阶段，每个阶段的技术创新均针对前一阶段在复杂场景中的局限性，逐步提升分割的鲁棒性与自动化水平。早期的阈值化方法以 “固定阈值” 为主，依赖人工经验根据图像灰度分布设定阈值（如文档处理中常设 127 为阈值），这种方法仅适用于灰度分布极简单的场景（如理想光照下的纯白背景文档），一旦图像存在光照不均（如文档边缘有阴影）、前景背景灰度重叠（如低对比度零件图），分割效果会急剧下降 —— 例如，阴影区域的文字灰度值可能高于固定阈值，被误判为背景，导致文字断裂。

为解决固定阈值的人工依赖与场景局限性，“全局自适应阈值” 方法应运而生，其核心是通过分析整幅图像的灰度直方图自动计算最优阈值，无需人工干预。Otsu 算法（最大类间方差法）是全局自适应阈值的经典代表，其设计逻辑是：假设图像灰度直方图存在前景与背景两个峰值，通过遍历所有可能的灰度值，找到使 “前景类内方差与背景类内方差之和最小、类间方差最大” 的灰度值作为阈值。这种方法无需先验知识，能自动适配灰度分布呈双峰或近似双峰的图像（如清晰的细胞图、无阴影的零件图），在工业检测、医学影像等场景中广泛应用 —— 例如，在零件表面缺陷检测中，Otsu 算法可自动分割出灰度值较低的缺陷区域，缺陷检出率较固定阈值提升 40% 以上。此外，迭代阈值法、基于熵的阈值法等也属于全局自适应阈值范畴，分别通过迭代优化阈值、最大化图像信息熵实现最优阈值选择，适用于不同灰度分布特征的图像。

然而，全局自适应阈值仍无法解决 “局部光照不均” 这一核心难题 —— 当图像存在明显的局部灰度差异（如文档中间亮、边缘暗，或户外拍摄的物体受阳光直射与阴影交替影响）时，整幅图像的灰度直方图呈现多峰分布，全局阈值无法兼顾所有区域，导致部分区域分割过度、部分区域分割不足。例如，户外拍摄的车牌图像中，阳光直射区域的车牌字符灰度值高，阴影区域的字符灰度值低，全局阈值会使直射区域的字符被误判为背景，阴影区域的背景被误判为字符。为应对这一挑战，“局部自适应阈值”（又称动态阈值）方法被提出，其核心思想是：将整幅图像划分为多个局部区域（如 8×8 或 16×16 像素的小块），对每个局部区域单独计算阈值（可采用 Otsu 或其他方法），再根据局部阈值分割该区域的像素。这种方法能自适应不同局部区域的光照差异，即使图像存在严重的光照不均，每个局部区域仍能保持良好的前景背景分离效果。

Sauvola 算法是局部自适应阈值在文档处理中的典型应用，其在计算局部阈值时引入了 “局部均值与局部标准差” 的校正项，使阈值能根据局部区域的对比度动态调整 —— 例如，对比度低的阴影区域，阈值会适当降低，避免文字被误判为背景；对比度高的亮区，阈值保持稳定，防止背景噪点被误判为文字。在文档扫描、车牌识别等场景中，Sauvola 算法的分割效果远优于全局阈值，文字断裂率降低 50% 以上，且能有效保留细笔画（如 “1”“丶”）。此外，局部自适应阈值还可结合高斯加权、边缘保护等策略，进一步提升分割精度，例如，对局部区域的像素进行高斯加权后再计算阈值，可减少噪声对局部阈值的干扰，使分割边界更平滑。