一、什么是二值化

二值化将灰度图像转换为只有黑和白两种取值的图像。

输入：灰度图
说到输出，二值图
规则的观点是。像素亮度 ≥ 阈值 → 白色
像素亮度 <阈值            → 黑色 

💡 使用者痛点： 如果你在 OCR 前没有正确设定阈值，文字可能会被错误地归类为背景，从而导致识别失败。

为什么需要二值化？

人类用眼睛看图时自然能区分前景和背景。但计算机处理灰度图时“哪里是字，哪里是纸”这个问题并不简单——所有像素都是连续的 ~ 之间数值。

二值化把这个连续问题变成离散问题：任意像素要么属于前景。要么属于背景，没有中间地带。

典型使用场景

场景	说明
OCR	把扫描文档变成黑白，文字与背景分离。
条码/二维码识别	判断黑条与白条。
医学图像分割	从 CT 图中分离骨骼和软组织。
手写识别提取笔画轮廓
运动检测前景物体 vs 静态背景

二、固定阈值法

公式

I' = { I if I ≥ T
0 if I 

💡 使用者痛点： 固定阈值得不到位时一张一样的图片在不同光照下会产生完全不同的结果，让人头疼不已。

实现示例

public struct ThresholdFilter: ImageFilter {
/// 阈值，像素亮度 ≥ threshold 变白。 MLBitmap {
// Step ：先灰度化
let gray = GrayscaleFilter.apply
var result = gray
for i in stride {
let luminance = result.pixels // 灰度图中 R = G = B
let v: UInt8 = luminance>= threshold?255 : 0
result.pixels = v // R
result.pixels = v // G
result.pixels = v // B
// Alpha 不变
}
return result
}
}

User Pain Point: 彩片直接对 RGB 通道做阈值会得到三张独立的黑白图，这种混杂效果往往不是你想要的——一定先灰度化才行！

三、阈値の選択：最关键参数

固定阈値最大的问题就是"阈値选错，全局效果完全失效".

场景 ：高亮文档

• 阀値 ：文字全黑 ✅ 背景全白 ✅ 效果完美
• "这正是理想状态！"
• 但如果有光晕或者噪声？就需要更细粒级调节了...
• 如果你正在开发一个扫描 App。请注意这一点，否则扫描出的 PDF 会出现大片空洞！
• "让我们把焦点放回主要"
• 此时固定阀値还是可以使用，但是建议后期再做一次细微调节来消除残留噪声。
• "记住这一步很关键"

"请先用 Otsu 自动调节，接下来再用局部自适应细调"

"否则会出现大面积假阴影"

"这对 OCR 的准确率很关键"

---