全局自適應(yīng)閾值的技術(shù)發(fā)展圍繞 “解決場景局限性、提升計(jì)算效率” 展開，從早期單一統(tǒng)計(jì)指標(biāo)的方法，逐步演進(jìn)為結(jié)合多特征、優(yōu)化計(jì)算邏輯的綜合技術(shù)，可分為三個(gè)關(guān)鍵階段：

基礎(chǔ)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(shí)現(xiàn)了閾值的自動(dòng)選擇，打破了固定閾值的經(jīng)驗(yàn)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(cè)、醫(yī)學(xué)影像的標(biāo)準(zhǔn)工具；迭代閾值法則以低計(jì)算復(fù)雜度優(yōu)勢(shì)，適配資源受限的嵌入式設(shè)備（如早期的工業(yè)相機(jī)）。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(duì)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(duì)初始閾值敏感，初始值選擇不當(dāng)會(huì)導(dǎo)致收斂到局部最優(yōu)解，而非全局最優(yōu)。

方法改進(jìn)與擴(kuò)展階段（2000s-2010s） 針對(duì)基礎(chǔ)方法的局限，研究者從兩個(gè)方向優(yōu)化：一是對(duì)現(xiàn)有方法的適配性擴(kuò)展，二是融合多特征提升魯棒性。在 Otsu 算法改進(jìn)方面，提出 “加權(quán) Otsu 算法”，通過對(duì)不同灰度區(qū)間賦予權(quán)重（如對(duì)前景可能存在的灰度區(qū)間加權(quán)），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(quán) Otsu 算法通過提升該區(qū)間的權(quán)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(duì)比度）結(jié)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(jì)算閾值，減少噪聲對(duì)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(duì)彩色圖像的全局自適應(yīng)閾值方法 —— 將彩色圖像轉(zhuǎn)換至 HSV 或 Lab 顏色空間，對(duì)亮度通道（如 V 通道）應(yīng)用全局自適應(yīng)閾值，同時(shí)參考色調(diào)、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(jí)中，通過亮度通道閾值分割成熟水果，結(jié)合色調(diào)通道排除綠色未成熟水果，分割準(zhǔn)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(shè)備（如手機(jī)、邊緣相機(jī)）的普及，全局自適應(yīng)閾值的計(jì)算效率成為核心需求，研究者通過優(yōu)化算法邏輯、結(jié)合硬件加速，實(shí)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(cè)，縮小閾值遍歷范圍（從 0-255 縮小至兩個(gè)峰值附近的 20-30 個(gè)灰度值），計(jì)算時(shí)間縮短至原算法的 1/5，同時(shí)保持分割精度基本不變，可在手機(jī)端實(shí)現(xiàn)實(shí)時(shí)文檔掃描的閾值化處理。此外，針對(duì)特定場景的定制化方法成為趨勢(shì)：在醫(yī)學(xué)影像領(lǐng)域，結(jié)合器官灰度的先驗(yàn)知識(shí)（如肺部 CT 的灰度范圍）優(yōu)化閾值計(jì)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(lǐng)域，設(shè)計(jì) “動(dòng)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(diào)閾值，適應(yīng)流水線中光照的緩慢波動(dòng)，確保缺陷檢測(cè)的穩(wěn)定性。