全局自適應(yīng)閾值作為圖像閾值化技術(shù)的重要分支，通過分析整幅圖像的灰度統(tǒng)計(jì)特征（如灰度直方圖、信息熵、類間方差），自動計(jì)算最優(yōu)灰度閾值，無需人工干預(yù)即可實(shí)現(xiàn)前景與背景的分割。相比依賴經(jīng)驗(yàn)的固定閾值，它顯著提升了圖像分割的場景適配性，尤其適用于灰度分布呈雙峰或近似雙峰的圖像（如工業(yè)零件缺陷圖、醫(yī)學(xué)細(xì)胞圖像、理想光照下的文檔）。本文系統(tǒng)闡述全局自適應(yīng)閾值的核心原理、技術(shù)演進(jìn)路徑、關(guān)鍵影響因素及典型應(yīng)用場景，分析其在復(fù)雜場景中的局限性，展望未來優(yōu)化方向，揭示其作為基礎(chǔ)圖像處理技術(shù)在工業(yè)檢測、醫(yī)學(xué)影像、文檔處理等領(lǐng)域的核心價值。

圖像閾值化的核心目標(biāo)是通過灰度值劃分實(shí)現(xiàn) “去繁就簡”—— 將連續(xù)灰度的圖像轉(zhuǎn)化為僅含前景與背景的二值圖像，為后續(xù)特征提取、目標(biāo)識別提供清晰的處理對象。然而，傳統(tǒng)固定閾值法依賴人工經(jīng)驗(yàn)設(shè)定灰度值（如文檔處理中常用 127 作為閾值），當(dāng)圖像面臨光照變化、灰度分布波動時，分割效果會急劇下降：例如，工業(yè)零件圖像因拍攝角度不同導(dǎo)致局部灰度偏亮，固定閾值會將亮區(qū)的缺陷誤判為背景；醫(yī)學(xué)細(xì)胞圖像因染色不均出現(xiàn)灰度重疊，固定閾值難以區(qū)分細(xì)胞核與細(xì)胞質(zhì)。

全局自適應(yīng)閾值的提出，正是為解決固定閾值的 “場景依賴” 難題。它無需人工輸入，僅通過挖掘整幅圖像的灰度全局特征（如灰度值的分布峰值、類間差異、信息密度），即可自動確定最能區(qū)分前景與背景的閾值。這種 “數(shù)據(jù)驅(qū)動” 的閾值選擇方式，使圖像分割擺脫了對操作人員經(jīng)驗(yàn)的依賴，同時保持了低于局部自適應(yīng)閾值的計(jì)算復(fù)雜度，在實(shí)時性要求較高、圖像灰度分布相對均勻的場景中具有不可替代的優(yōu)勢。從 20 世紀(jì) 70 年代 Otsu 算法提出至今，全局自適應(yīng)閾值技術(shù)圍繞 “提升單峰直方圖適配性、增強(qiáng)噪聲魯棒性、降低計(jì)算開銷” 持續(xù)優(yōu)化，已成為工業(yè)自動化檢測、醫(yī)學(xué)影像預(yù)處理、文檔數(shù)字化等領(lǐng)域的標(biāo)準(zhǔn)技術(shù)模塊。

全局自適應(yīng)閾值的本質(zhì)是 “從圖像全局灰度統(tǒng)計(jì)中挖掘分割依據(jù)”，其核心邏輯是：假設(shè)圖像中前景與背景的灰度值存在統(tǒng)計(jì)差異（如前景灰度集中在低區(qū)間、背景集中在高區(qū)間），通過量化這種差異找到最優(yōu)分割點(diǎn) —— 該點(diǎn)需滿足 “前景與背景的區(qū)分度最大，且各自內(nèi)部的灰度一致性最高”。不同方法的差異僅在于 “如何量化灰度差異”，主流技術(shù)路徑可分為基于類間方差、基于迭代優(yōu)化、基于信息熵三類，三者均以圖像灰度直方圖為基礎(chǔ)，卻通過不同統(tǒng)計(jì)指標(biāo)實(shí)現(xiàn)閾值自動選擇。