全局自适应阈值的核心原理

基于类间方差的方法以 Otsu 算法（最大类间方差法）为代表，是最经典且应用最广的全局自适应阈值技术。其核心思想源于对 “灰度分类纯度” 的追求：将图像所有像素按某一灰度阈值分为前景（C₁）与背景（C₂）两类，计算两类的均值、方差与像素占比，定义 “类间方差” 为两类均值差异的平方乘以各自像素占比的乘积 —— 类间方差越大，说明前景与背景的灰度差异越显著；同时，类内方差（两类内部灰度的离散程度）越小，说明同类像素的灰度一致性越高。Otsu 算法通过遍历 0-255 所有可能的灰度值，找到使 “类间方差最大” 的灰度值作为阈值，此时前景与背景的分割效果最优。这种方法无需任何先验知识，对双峰或近似双峰灰度直方图的图像（如清晰的细胞涂片、无阴影的零件缺陷图）适配性极强 —— 例如，在白细胞图像中，细胞核灰度值集中在 80-120（前景），细胞质集中在 180-220（背景），Otsu 算法能精准找到 150 左右的阈值，将细胞核完整分割，分割准确率可达 95% 以上。

基于迭代优化的方法则通过 “逐步逼近” 实现阈值优化，核心逻辑是：先设定一个初始阈值（通常为图像灰度的均值或中值），将图像分为前景与背景，计算两类的灰度均值；再以两类均值的平均值作为新阈值，重复上述过程，直至两次阈值的差值小于预设精度（如 1），此时的阈值即为最优解。这种方法的优势在于计算逻辑简单，无需遍历所有灰度值，尤其适用于灰度分布相对集中的图像（如低对比度的工业零件图）。例如，在铝合金零件表面划痕检测中，划痕灰度值（100-130）与基体灰度值（140-170）差异较小，迭代阈值法可通过 3-5 次迭代找到 135 左右的阈值，避免 Otsu 算法在近似单峰直方图中出现的阈值偏移问题。

基于信息熵的方法则从 “信息最大化” 角度定义最优阈值，核心依据是 “图像的信息熵越大，包含的灰度信息越丰富”。该方法将阈值分割视为 “对图像灰度信息的压缩”，最优阈值需满足 “分割后前景与背景的信息熵之和最大”—— 即通过阈值划分，保留图像中最具区分度的灰度信息，剔除冗余。这种方法对灰度分布复杂（如多峰但存在主双峰）的图像适配性更好，例如，在含少量杂质的细胞图像中，杂质灰度值（50-70）、细胞核（90-120）、细胞质（180-220）形成三峰直方图，基于熵的方法能忽略杂质的弱峰，聚焦细胞核与细胞质的主双峰，找到 150 左右的阈值，避免杂质对分割的干扰。