全局自適應閾值的技術發(fā)展圍繞 “解決場景局限性、提升計算效率” 展開，從早期單一統(tǒng)計指標的方法，逐步演進為結合多特征、優(yōu)化計算邏輯的綜合技術，可分為三個關鍵階段：

基礎方法探索階段（1970s-1990s） 以 Otsu 算法（1979）與迭代閾值法（1980）為代表，首次實現(xiàn)了閾值的自動選擇，打破了固定閾值的經(jīng)驗依賴。Otsu 算法通過類間方差最大化，為雙峰直方圖圖像提供了通用解決方案，迅速成為工業(yè)檢測、醫(yī)學影像的標準工具；迭代閾值法則以低計算復雜度優(yōu)勢，適配資源受限的嵌入式設備（如早期的工業(yè)相機）。但這一階段的方法存在明顯局限：Otsu 算法在單峰或近似單峰直方圖（如光照不均的文檔、低對比度遙感圖像）中效果驟降，易將前景誤判為背景；迭代閾值法對初始閾值敏感，初始值選擇不當會導致收斂到局部最優(yōu)解，而非全局最優(yōu)。

方法改進與擴展階段（2000s-2010s） 針對基礎方法的局限，研究者從兩個方向優(yōu)化：一是對現(xiàn)有方法的適配性擴展，二是融合多特征提升魯棒性。在 Otsu 算法改進方面，提出 “加權 Otsu 算法”，通過對不同灰度區(qū)間賦予權重（如對前景可能存在的灰度區(qū)間加權），提升單峰直方圖圖像的分割效果 —— 例如，在局部偏暗的文檔圖像中，文字灰度值集中在 60-100（單峰），加權 Otsu 算法通過提升該區(qū)間的權重，找到 80 左右的閾值，避免文字被誤判為背景。在多特征融合方面，將灰度均值、方差與紋理特征（如局部對比度）結合，例如，在含噪聲的零件圖像中，先通過紋理特征篩選出可能的缺陷區(qū)域，再用 Otsu 算法計算閾值，減少噪聲對閾值選擇的干擾，缺陷分割的誤檢率降低 40% 以上。此外，這一階段還出現(xiàn)了針對彩色圖像的全局自適應閾值方法 —— 將彩色圖像轉換至 HSV 或 Lab 顏色空間，對亮度通道（如 V 通道）應用全局自適應閾值，同時參考色調、飽和度通道的信息，避免單一灰度通道丟失顏色差異信息，例如，在彩色水果分級中，通過亮度通道閾值分割成熟水果，結合色調通道排除綠色未成熟水果，分割準確率較灰度方法提升 25%。

輕量化與場景適配階段（2010s 至今） 隨著嵌入式設備（如手機、邊緣相機）的普及，全局自適應閾值的計算效率成為核心需求，研究者通過優(yōu)化算法邏輯、結合硬件加速，實現(xiàn) “高精度 + 低延遲” 的平衡。例如，提出 “快速 Otsu 算法”，通過灰度直方圖的峰值檢測，縮小閾值遍歷范圍（從 0-255 縮小至兩個峰值附近的 20-30 個灰度值），計算時間縮短至原算法的 1/5，同時保持分割精度基本不變，可在手機端實現(xiàn)實時文檔掃描的閾值化處理。此外，針對特定場景的定制化方法成為趨勢：在醫(yī)學影像領域，結合器官灰度的先驗知識（如肺部 CT 的灰度范圍）優(yōu)化閾值計算，避免 Otsu 算法因圖像噪聲出現(xiàn)的閾值偏移；在工業(yè)流水線領域，設計 “動態(tài)更新閾值” 的方法，根據(jù)連續(xù)幀圖像的灰度變化微調閾值，適應流水線中光照的緩慢波動，確保缺陷檢測的穩(wěn)定性。