图像二值化本质是像素级逻辑判断，通过灰度转换、阈值设定与数组遍历实现：先用加权公式转单通道灰度数组，再依固定阈值、局部自适应阈值或Otsu法计算二值结果。

图像二值化本质是像素级的逻辑判断，核心在于用数组存取灰度值，并对每个元素执行“大于阈值→设为255，否则→设为0”的操作。不需要复杂框架，纯数组遍历即可完成，关键在灰度转换准确、阈值设定合理、边界处理到位。

灰度数组构建：从彩色图到一维/二维灰度容器

原始图像多为BGR或RGB三通道，需先压缩为单通道灰度数组。常用加权公式：gray = 0.299×R + 0.587×G + 0.114×B。结果存入二维数组 gray[height][width] 或一维数组 gray[i]（i = row×width + col）。注意：OpenCV读图默认BGR顺序，若用PIL则为RGB，权重系数不能错位。数组类型推荐 uint8（0–255），避免浮点运算开销。

固定阈值二值化：直接索引赋值，零延迟处理

定义阈值 T（如127），遍历灰度数组，逐点比较并写入二值结果数组 binary：

• 若使用二维数组：binary[i][j] = (gray[i][j] >= T) ? 255 : 0;
• 若使用一维数组：binary[idx] = (gray[idx] >= T) ? 255 : 0;（idx 同上）
• 无需额外库，C/C++、Python（NumPy）、Java 均可原生支持该模式

此方式适合光照均匀文档图，但对阴影、反光区域易失效——比如台灯下左亮右暗的笔记，全图用一个T会左侧过曝、右侧文字丢失。

变量阈值实战：按局部区域动态计算T，适配不均光照

当图像存在明暗渐变时，需为每个像素分配专属阈值 T(x,y)。典型做法是滑动窗口统计邻域灰度均值或高斯加权均值：

• 选定窗口尺寸（如11×11），对每个像素 (i,j)，取其周围像素灰度平均值 mean
• 设 T(i,j) = mean − C，其中 C 是偏移常量（OpenCV默认为2，可调）
• 再执行判断：binary[i][j] = (gray[i][j] > T(i,j)) ? 255 : 0

注意：边缘像素需补零或镜像填充，否则窗口越界；窗口过大易模糊细节（如细小铅笔字），过小则噪声放大。实测中，11×11配C=2在A4手写扫描件上鲁棒性较好。

Otsu自动寻优：用直方图类间方差反推全局最优T

不手动试值，让数据自己选T。原理是遍历0–255所有可能阈值，对每个T计算前景（白）与背景（黑）的类间方差，取方差最大时的T为最优解：

• 先统计灰度直方图 hist[256]，记录各灰度级出现频次
• 对每个候选T，累加计算背景权重、前景权重、全局均值、类间方差
• 找到使类间方差最大的T，代入二值化主循环

该方法对双峰直方图（如白纸黑字）效果极佳，OpenCV中仅需 cv2.THRESH_BINARY + cv2.THRESH_OTSU 一行触发，底层即基于上述数组直方图运算。它仍是全局阈值，但比人工设定更可靠。