全局阈值（如Otsu大津算法）使用单一阈值处理整张图像，当图像光照均匀时效果很好。但在光照不均的场景下（如手机拍摄的文档、有阴影的纸张），单一阈值会导致亮部过曝或暗部细节丢失。

自适应阈值为每个像素计算其局部邻域内的阈值，能有效应对光照变化。对于每个像素，算法考察其周围 blockSize × blockSize 区域的亮度分布，用局部均值（或高斯加权均值）减去常数C作为该像素的阈值。这样亮区的阈值自动升高，暗区的阈值自动降低，从而在全局光照不均的情况下仍能准确分割前景与背景。

典型应用场景：车牌识别预处理、文档扫描二值化、医学图像分割、工业缺陷检测、指纹识别等。

块大小决定了计算局部阈值的邻域范围，必须是奇数（如3、5、7…51）：

• 较小值（3-11）：能捕捉细小特征和文字笔画，但容易在平坦区域产生噪点，适合高分辨率、细节丰富的图像。
• 中等值（13-25）：平衡细节与平滑度，适合大多数文档和一般场景。推荐默认值15-21。
• 较大值（27-51）：产生更平滑的二值化结果，减少噪点，但可能丢失小字符或细线。适合光照变化缓慢的大幅图像。

经验法则：块大小应略大于图像中目标特征（如文字笔画宽度）的尺寸，以保证局部统计的稳定性。

常数C是局部均值（或高斯加权均值）的偏移量。对于每个像素，阈值 = 局部均值 - C：

• C > 0（正值）：阈值低于局部均值，更多像素被判为前景（黑色），适合背景较亮、前景较暗的场景。C越大，黑色区域越多。
• C < 0（负值）：阈值高于局部均值，更多像素被判为背景（白色），适合前景较亮、背景较暗的场景。C越小（越负），白色区域越多。
• C = 0：阈值等于局部均值，这是一种自然的中间分割。

推荐起始值：C = 2~5（正值），这通常能产生干净的二值化效果。如果文字断裂（太细），减小C或使用负值；如果背景噪点太多，增大C。

两者核心区别在于局部邻域内各像素的权重分配：

• 均值自适应（Mean）：邻域内所有像素权重相同，计算简单快速。使用积分图技术可实现O(1)时间复杂度，适合实时处理。对均匀渐变的光照效果好。
• 高斯自适应（Gaussian）：邻域内像素按高斯分布加权，中心像素权重最高，远离中心的像素权重逐渐降低。更符合人眼感知特性，对复杂光照模式更鲁棒，边缘保持更好。本工具使用多次Box Blur迭代近似高斯核。

大多数情况下两者效果相近。高斯方法在边缘附近产生的伪影更少，但计算量略大。对于文档图像，均值方法通常已足够好。

图像边缘的像素其邻域部分超出图像边界。本工具对边界像素只计算有效区域内的统计量（使用clamp策略），但边缘附近的局部统计可能不够稳定。如果块大小较大而图像较小，边缘效应会更明显。建议：

• 适当减小块大小
• 在图像边缘留出一些边距
• 处理后手动裁剪边缘

自适应阈值二值化特别适合以下场景：

• 📄 手机拍摄的文档/票据——常有闪光灯造成的光照不均
• 📷 白板/黑板照片——角落偏暗、中心偏亮
• 🔍 显微镜图像——照明场不均匀
• 🖨️ 老旧扫描件——纸张泛黄、有褶皱阴影
• 🚗 车牌识别预处理——不同区域光照差异大
• 🩻 医学X光/CT图像——需要局部对比度增强

如果您的图像光照均匀，使用全局阈值（如Otsu方法）可能更简单且效果相当。