什么是图像二值化
在日常拍照中，有时候照片背景杂乱、文字模糊，比如拍了一份手写笔记或者一张旧报纸，想把上面的文字提取出来，但灰度层次太多，看不清重点。这时候，图像处理里的“二值化”就派上用场了。简单说，二值化就是把一张彩色或灰度图变成只有黑和白两种颜色的图像，每个像素点非黑即白，看起来像老式传真机打出来的效果。
这种处理方式的核心思想是设定一个阈值。比如，所有像素值大于这个阈值的变成白色（255），小于等于的变成黑色（0）。这样一来，图像的信息被极大简化，反而更容易进行后续操作，比如文字识别、轮廓提取、目标检测等。
常见的二值化方法
最基础的是全局阈值法，也就是整个图像使用同一个阈值。OpenCV 里有个经典的函数 cv2.threshold() 就能实现：
<import cv2>
<import numpy as np>
<img = cv2.imread('note.jpg', 0) # 灰度读取>
<ret, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)>
<cv2.imshow('Binary Image', binary)>
<cv2.waitKey(0)>
<cv2.destroyAllWindows()>这段代码会把一张图片转成黑白图，阈值设为127。如果原图亮度分布比较均匀，这招挺管用。但要是光照不均，比如左边亮右边暗，那统一用一个阈值就会出问题——一边字迹消失，另一边全是噪点。
自适应二值化解决光照不均
这时候就得上自适应阈值法。它不是全图一刀切，而是以每个像素为中心，取周围一小块区域，动态计算局部阈值。OpenCV 提供了 cv2.adaptiveThreshold() 函数：
<binary_adapt = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,>
< cv2.THRESH_BINARY, 11, 2)>这里的参数意味着：用高斯加权计算局部均值，窗口大小11×11，最后再减去2作为微调。这样处理后，即使拍的是斜着打光的纸质文档，也能清晰还原文字内容。
Otsu 方法：让机器自己选阈值
还有一种聪明的办法叫 Otsu 法，它能自动找出最佳分割阈值，特别适合前景和背景对比明显但具体数值未知的情况。只需要在 cv2.threshold() 中加上标志位：
<ret, binary_otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)>函数会遍历所有可能的阈值，找到能让类间方差最大的那个点。实际用下来，扫描文档、车牌识别这类场景下，Otsu 效果往往比手动调阈值更稳定。
应用场景不止于文档扫描
别以为二值化只是用来清理照片那么简单。在工业质检中，产品表面有没有裂纹，可以通过二值化突出缺陷区域；在医学影像里，X光片中的骨骼边缘也能靠这一步骤初步勾勒；甚至人脸识别预处理阶段，也会先做类似操作来降低干扰。
手机App里的“文档矫正”功能，背后基本都藏着一套完整的二值化流程。你拍完照，系统自动增强对比度、去阴影、再二值化，最后生成一份像打印机扫出来一样的干净文件，方便存档或转发。
虽然现在深度学习模型越来越强，可以直接端到端处理原始图像，但在资源有限的设备上，比如嵌入式相机或低端手机，二值化这种轻量高效的预处理手段依然不可替代。它像是图像处理的第一道筛子，把复杂世界先分成“有”和“无”，让机器看得更明白。