OpenCVSharp中，三种局部二值化算法如何应用于提取？
摘要：概述 局部二值化（Local Binarization）是一种图像处理技术，用于将灰度图像转换为二值图像（黑白图像）。与全局二值化不同，局部二值化不是对整个图像使用单一阈值，而是根据图像中每个像素周围的局部区域特征来动态确定阈值。 局部二值
概述
局部二值化（Local Binarization）是一种图像处理技术，用于将灰度图像转换为二值图像（黑白图像）。与全局二值化不同，局部二值化不是对整个图像使用单一阈值，而是根据图像中每个像素周围的局部区域特征来动态确定阈值。
局部二值化的基本思想是：对于图像中的每个像素，计算其邻域窗口内的统计特征（如均值、标准差等），然后基于这些局部统计信息计算该像素的阈值。
在OpenCV中已经封装了Niblack算法、Sauvola 算法与Nick 算法，本示例的流程图如下所示：
效果：
Niblack 算法
T(x,y) = m(x,y) + k × σ(x,y)
T(x,y): 像素(x,y)的阈值
m(x,y): 局部窗口内的均值
σ(x,y): 局部窗口内的标准差
k: 经验参数，通常为负值（-0.2 到 -0.1）
Sauvola 算法
T(x,y) = m(x,y) × [1 + k × (σ(x,y)/R - 1)]
R: 动态范围，通常设为128（8位灰度图像的标准差最大值）
k: 经验参数，通常为正值（0.1 到 0.5）
Nick 算法
T(x,y) = m(x,y) + k × σ(x,y)
表面公式与 Niblack 相同，但实现方式和参数范围不同
k: 通常为负值（-0.1 到 -0.2）
在实际应用中，Sauvola 通常是第一个应该尝试的算法。如果发现它在处理特定数据集（尤其是噪声或对比度问题严重）时效果不佳，再考虑切换到 Nick 算法，并投入时间调整其参数，Niblack算法现在主要用于初学者入门学习。
我们现在不是来研究算法的，主要目的是在实际项目中使用的，主要是看如何具体使用这些算法。
实践
在OpenCVSharp中使用这三个算法很方便：
// Niblack 算法
sw.Start();
CvXImgProc.NiblackThreshold(src, niblack, 255, ThresholdTypes.Binary, kernelSize, -0.2, LocalBinarizationMethods.Niblack);
sw.Stop();
NiblackTime = $"Niblack算法耗时: {sw.ElapsedMilliseconds} 毫秒";
NiblackImage = ConvertMatToBitmapImage(niblack);
// Sauvola 算法
sw.Restart();
CvXImgProc.NiblackThreshold(src, sauvola, 255, ThresholdTypes.Binary, kernelSize, 0.1, LocalBinarizationMethods.Sauvola);
sw.Stop();
SauvolaTime = $"Sauvola算法耗时: {sw.ElapsedMilliseconds} 毫秒";
SauvolaImage = ConvertMatToBitmapImage(sauvola);
// Nick 算法
sw.Restart();
CvXImgProc.NiblackThreshold(src, nick, 255, ThresholdTypes.Binary, kernelSize, -0.14, LocalBinarizationMethods.Nick);
sw.Stop();
NickTime = $"Nick算法耗时: {sw.ElapsedMilliseconds} 毫秒";
NickImage = ConvertMatToBitmapImage(nick);
都是使用CvXImgProc.NiblackThreshold()方法，只是参数略有不同而已。
NiblackThreshold 是一种自适应阈值化方法，它根据图像局部区域的统计特性来计算每个像素的阈值。与全局阈值化不同，这种方法能够更好地处理光照不均匀的图像。