机器视觉检测系统如何辨析黑白图像？
在机器视觉技术中有两个重要步骤，分别是物体检测和图像预处理，二者之间通过图像分割进行串联。图像分割通过简化或改变图像的表面形式，让图像更容易被视觉处理软件识别和分析。
关于图像分割，一个简单的例子：菜市场新到了一批猪肉，希望通过机器视觉检测判断它的新鲜程度。机器视觉检测系统在获取图像之后完成预处理，接下来就是将图像中的鲜肉和背景进行区分，提取关键特征进行单独分析才能做出准确判断。
对于人眼观测，很快就能区分出肉类是否发生霉变，是否可以继续使用，而计算机则需要采用二值化将图像进行分割，二值图像每个像素只有纯黑或纯白两种取值。
因为二值法足够简单，成为很多视觉检测系统的首选，通过二值图像，更好地分析物体的形状和轮廓。我们还可以将二值法看做是一张部分镂空的纸，把我们不感兴趣的区域遮掉，作用跟PS中的遮罩一样，用作原始图像的掩模。完成二值化的方法有很多，其中最常见的是阈值法。
而阈值法是通过选取一个关键数字，作为中间值，大于它就视为全白，小于它就视为全黑。根据阈值选取方式的不同，可以分为全局阈值和局部阈值。
全局阈值
指的是对整个图像中的画面像素判定全部采用同一个像素阈值，以PS为例，在通过PS进行图像操作的过程中，可以看到阈值色阶从1到255的移动过程中，图像变黑的区域越来越多。
在现实条件下，工程师常常会根据图像情况选择一个固定的数字作为全局阈值，如何选取一个合适数值，日本工程师大津展之为这个波谷找到了一个合适的数学表达，并于1979年发表。这个二值化方法称为大津算法。
局部阈值
在现实场景中，通常会出现聚光灯照在一个特定区域，造成图像中一分部高亮但另一部分隐藏在黑暗中的情况。如果想要针对这种图像进行全局阈值，会发现不管数字如何设置，都不能满足全图识别的要求。
其实用局部阈值就能对这个情况进行判定。以人眼为例，判定一个东西颜色深浅时，往往会受到物体周边的颜色影响，这也就是为什么黑人的牙齿看上去更白。
采用局部阈值法的时候是在对图像进行处理前先设定在一个区域内，光照是一致的，然后通过滑窗扫描图像，用中心点内的亮度和周围相邻的区域亮度进行对比。当出现中心点亮度远高于其他相邻区域亮度的情况时，我们将中心点直接标记为白色，如果中心点亮度低于相邻区域，则中心点标记为黑色。局部阈值的应用非常广泛，对在白纸上的黑色字符处理就是典型的局部阈值处理案例，
实际运用中，我们要根据需求选择不同的二值化方法，没有哪个方法是绝对完美的。今天所讲的内容只是图像分割的冰山一角，如何分辨出黑白图像作为视觉检测领域经典问题之一，无数研究员在持续攻关各类难题，越来越多的检测方法被不断提出，除了基于阈值的图像分割方法外，常用的分割方法还可以基于边缘、区域等，在工业生产、智能安防、医疗科研等领域被广泛应用。
