基于類間方差的方法以 Otsu 算法（最大類間方差法）為代表，是最經(jīng)典且應(yīng)用最廣的全局自適應(yīng)閾值技術(shù)。其核心思想源于對(duì) “灰度分類純度” 的追求：將圖像所有像素按某一灰度閾值分為前景（C?）與背景（C?）兩類，計(jì)算兩類的均值、方差與像素占比，定義 “類間方差” 為兩類均值差異的平方乘以各自像素占比的乘積 —— 類間方差越大，說明前景與背景的灰度差異越顯著；同時(shí)，類內(nèi)方差（兩類內(nèi)部灰度的離散程度）越小，說明同類像素的灰度一致性越高。Otsu 算法通過遍歷 0-255 所有可能的灰度值，找到使 “類間方差最大” 的灰度值作為閾值，此時(shí)前景與背景的分割效果最優(yōu)。這種方法無需任何先驗(yàn)知識(shí)，對(duì)雙峰或近似雙峰灰度直方圖的圖像（如清晰的細(xì)胞涂片、無陰影的零件缺陷圖）適配性極強(qiáng) —— 例如，在白細(xì)胞圖像中，細(xì)胞核灰度值集中在 80-120（前景），細(xì)胞質(zhì)集中在 180-220（背景），Otsu 算法能精準(zhǔn)找到 150 左右的閾值，將細(xì)胞核完整分割，分割準(zhǔn)確率可達(dá) 95% 以上。

基于迭代優(yōu)化的方法則通過 “逐步逼近” 實(shí)現(xiàn)閾值優(yōu)化，核心邏輯是：先設(shè)定一個(gè)初始閾值（通常為圖像灰度的均值或中值），將圖像分為前景與背景，計(jì)算兩類的灰度均值；再以兩類均值的平均值作為新閾值，重復(fù)上述過程，直至兩次閾值的差值小于預(yù)設(shè)精度（如 1），此時(shí)的閾值即為最優(yōu)解。這種方法的優(yōu)勢(shì)在于計(jì)算邏輯簡(jiǎn)單，無需遍歷所有灰度值，尤其適用于灰度分布相對(duì)集中的圖像（如低對(duì)比度的工業(yè)零件圖）。例如，在鋁合金零件表面劃痕檢測(cè)中，劃痕灰度值（100-130）與基體灰度值（140-170）差異較小，迭代閾值法可通過 3-5 次迭代找到 135 左右的閾值，避免 Otsu 算法在近似單峰直方圖中出現(xiàn)的閾值偏移問題。

基于信息熵的方法則從 “信息最大化” 角度定義最優(yōu)閾值，核心依據(jù)是 “圖像的信息熵越大，包含的灰度信息越豐富”。該方法將閾值分割視為 “對(duì)圖像灰度信息的壓縮”，最優(yōu)閾值需滿足 “分割后前景與背景的信息熵之和最大”—— 即通過閾值劃分，保留圖像中最具區(qū)分度的灰度信息，剔除冗余。這種方法對(duì)灰度分布復(fù)雜（如多峰但存在主雙峰）的圖像適配性更好，例如，在含少量雜質(zhì)的細(xì)胞圖像中，雜質(zhì)灰度值（50-70）、細(xì)胞核（90-120）、細(xì)胞質(zhì)（180-220）形成三峰直方圖，基于熵的方法能忽略雜質(zhì)的弱峰，聚焦細(xì)胞核與細(xì)胞質(zhì)的主雙峰，找到 150 左右的閾值，避免雜質(zhì)對(duì)分割的干擾。