圖像閾值化的技術演進經歷了 “固定閾值→全局自適應閾值→局部自適應閾值” 三個階段，每個階段的技術創(chuàng)新均針對前一階段在復雜場景中的局限性，逐步提升分割的魯棒性與自動化水平。早期的閾值化方法以 “固定閾值” 為主，依賴人工經驗根據(jù)圖像灰度分布設定閾值（如文檔處理中常設 127 為閾值），這種方法僅適用于灰度分布極簡單的場景（如理想光照下的純白背景文檔），一旦圖像存在光照不均（如文檔邊緣有陰影）、前景背景灰度重疊（如低對比度零件圖），分割效果會急劇下降 —— 例如，陰影區(qū)域的文字灰度值可能高于固定閾值，被誤判為背景，導致文字斷裂。

為解決固定閾值的人工依賴與場景局限性，“全局自適應閾值” 方法應運而生，其核心是通過分析整幅圖像的灰度直方圖自動計算最優(yōu)閾值，無需人工干預。Otsu 算法（最大類間方差法）是全局自適應閾值的經典代表，其設計邏輯是：假設圖像灰度直方圖存在前景與背景兩個峰值，通過遍歷所有可能的灰度值，找到使 “前景類內方差與背景類內方差之和最小、類間方差最大” 的灰度值作為閾值。這種方法無需先驗知識，能自動適配灰度分布呈雙峰或近似雙峰的圖像（如清晰的細胞圖、無陰影的零件圖），在工業(yè)檢測、醫(yī)學影像等場景中廣泛應用 —— 例如，在零件表面缺陷檢測中，Otsu 算法可自動分割出灰度值較低的缺陷區(qū)域，缺陷檢出率較固定閾值提升 40% 以上。此外，迭代閾值法、基于熵的閾值法等也屬于全局自適應閾值范疇，分別通過迭代優(yōu)化閾值、最大化圖像信息熵實現(xiàn)最優(yōu)閾值選擇，適用于不同灰度分布特征的圖像。

然而，全局自適應閾值仍無法解決 “局部光照不均” 這一核心難題 —— 當圖像存在明顯的局部灰度差異（如文檔中間亮、邊緣暗，或戶外拍攝的物體受陽光直射與陰影交替影響）時，整幅圖像的灰度直方圖呈現(xiàn)多峰分布，全局閾值無法兼顧所有區(qū)域，導致部分區(qū)域分割過度、部分區(qū)域分割不足。例如，戶外拍攝的車牌圖像中，陽光直射區(qū)域的車牌字符灰度值高，陰影區(qū)域的字符灰度值低，全局閾值會使直射區(qū)域的字符被誤判為背景，陰影區(qū)域的背景被誤判為字符。為應對這一挑戰(zhàn)，“局部自適應閾值”（又稱動態(tài)閾值）方法被提出，其核心思想是：將整幅圖像劃分為多個局部區(qū)域（如 8×8 或 16×16 像素的小塊），對每個局部區(qū)域單獨計算閾值（可采用 Otsu 或其他方法），再根據(jù)局部閾值分割該區(qū)域的像素。這種方法能自適應不同局部區(qū)域的光照差異，即使圖像存在嚴重的光照不均，每個局部區(qū)域仍能保持良好的前景背景分離效果。

Sauvola 算法是局部自適應閾值在文檔處理中的典型應用，其在計算局部閾值時引入了 “局部均值與局部標準差” 的校正項，使閾值能根據(jù)局部區(qū)域的對比度動態(tài)調整 —— 例如，對比度低的陰影區(qū)域，閾值會適當降低，避免文字被誤判為背景；對比度高的亮區(qū)，閾值保持穩(wěn)定，防止背景噪點被誤判為文字。在文檔掃描、車牌識別等場景中，Sauvola 算法的分割效果遠優(yōu)于全局閾值，文字斷裂率降低 50% 以上，且能有效保留細筆畫（如 “1”“丶”）。此外，局部自適應閾值還可結合高斯加權、邊緣保護等策略，進一步提升分割精度，例如，對局部區(qū)域的像素進行高斯加權后再計算閾值，可減少噪聲對局部閾值的干擾，使分割邊界更平滑。