# Binarization

**Repository Path**: hephec321/Binarization

## Basic Information

- **Project Name**: Binarization
- **Description**: 1. 什么是图像二值化？

通俗比喻：
想象你有一张灰度照片，上面有各种深浅不一的灰色。二值化就像是给这张照片做“黑白选择题”——要么是纯黑（0），要么是纯白（255）。怎么选呢？就看每个像素的“灰度值”是否超过某个“分数线”（阈值）。超过就是白，没超过就是黑。这样一来，整张图就只有黑白两种颜色，大大简化了图像，让文字或物体的轮廓更清晰，便于电脑识别（比如OCR文字识别）。
- **Primary Language**: JavaScript
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2025-12-01
- **Last Updated**: 2025-12-01

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 图像二值化 (Image Binarization) 学习指南

## 1. 什么是图像二值化？

**通俗比喻：**
想象你有一张灰度照片，上面有各种深浅不一的灰色。二值化就像是给这张照片做“黑白选择题”——要么是纯黑（0），要么是纯白（255）。怎么选呢？就看每个像素的“灰度值”是否超过某个“分数线”（阈值）。超过就是白，没超过就是黑。这样一来，整张图就只有黑白两种颜色，大大简化了图像，让文字或物体的轮廓更清晰，便于电脑识别（比如OCR文字识别）。

---

## 2. 四大类二值化方法详解

### (1) 全局阈值方法 (Global Binarization)

**核心思想：** 整张图用“同一个分数线”来判断黑白。

#### 固定阈值法 (Fixed Threshold)
*   **原理**：直接设定一个固定的值（例如127），所有像素都跟这个值比较。
*   **通俗解释**：就像全校考试，及格线统一设为60分，不管你是重点班还是普通班。
*   **优缺点**：简单快速，但如果照片有的地方亮（光照好），有的地方暗（阴影），效果就会很差。

#### Otsu算法 (大津法)
*   **原理**：自动寻找最佳阈值。它通过统计直方图，找到一个能让“前景”和“背景”区分度最大（类间方差最大）的阈值。
*   **通俗解释**：它像一个聪明的老师，通过分析全校考生的分数分布，自动算出一个最能区分优生和差生的分数线。
*   **适用场景**：适合光照比较均匀，前景和背景对比明显的图像（双峰分布）。

#### 迭代法 (Iterative)
*   **原理**：先随机设一个阈值，然后根据分出来的两组像素的平均值不断调整，直到阈值不再变化。
*   **通俗解释**：先随便定个线，然后看分出来的人平均水平怎么样，再微调分数线，直到大家都没意见。

---

### (2) 局部阈值方法 (Local Binarization)

**核心思想：** 不搞“一刀切”，每个像素参考“周围邻居”来决定自己的分数线。

#### 局部均值法 (Local Mean)
*   **原理**：计算像素周围一个小窗口（如15x15）内的平均值，作为该像素的阈值。
*   **通俗解释**：每个班级自己定及格线。如果你比你们班平均分高，你就是优生（白），否则就是差生（黑）。
*   **适用场景**：光照不均的图像。

#### Bernsen方法
*   **原理**：取局部窗口内最大值和最小值的中间值作为阈值。
*   **通俗解释**：看这个小圈子里最强和最弱的人，取中间值作为标准。

#### Niblack方法
*   **原理**：阈值 = 局部均值 + k * 局部标准差。考虑了局部区域的波动情况。
*   **通俗解释**：不仅看平均分，还看大家分数的差距大不大（标准差）。如果大家分数咬得很紧，标准就定得严一点。
*   **缺点**：容易把背景里的噪点当成文字（背景噪声放大）。

#### Sauvola方法
*   **原理**：对Niblack的改进，优化了标准差的计算公式。
*   **优势**：专门针对文档图像优化，能很好地处理背景复杂、对比度低的古籍或文档。

---

### (3) 基于深度学习的方法

**核心思想：** 让AI（神经网络）自己学会“怎么分黑白”。

*   **原理**：使用卷积神经网络（CNN，如U-Net）进行像素级的分类。模型通过学习大量的“原图-二值图”对，掌握了从纹理、形状等复杂特征中提取前景的能力。
*   **优缺点**：效果最好，能抗各种干扰（污渍、折痕），但需要大量数据训练，算力要求高。

---

### (4) 其他方法

#### 边缘检测法 (Edge Detection)
*   **原理**：先找到图像的边缘（如使用Sobel算子），然后根据边缘信息来确定二值化结果。
*   **通俗解释**：先把物体的轮廓勾出来，再填色。

---

## 3. 算法对比小结

| 方法类型 | 代表算法 | 优点 | 缺点 | 适用场景 |
| :--- | :--- | :--- | :--- | :--- |
| **全局阈值** | Otsu, 固定阈值 | 速度极快，实现简单 | 怕光照不均，怕阴影 | 扫描件，光照均匀的简单图 |
| **局部阈值** | Sauvola, Niblack | 抗光照干扰，细节好 | 计算慢，可能有噪点 | 拍照文档，阴影严重的图 |
| **深度学习** | U-Net | 效果天花板，智能 | 慢，难训练，费算力 | 复杂背景，古籍修复，车牌识别 |

---

## 4. 如何使用本项目

本项目提供了一个可视化的实验平台：
1.  **选择算法**：在左侧菜单选择不同的二值化算法。
2.  **上传/样图**：点击“使用样图”或上传你自己的图片。
3.  **调整参数**：拖动滑块调整阈值、窗口大小等参数，实时观察效果。
4.  **动态演示**：点击“开始处理”，可以看到算法扫描和处理的动画过程。