4、阈值选择方法：固定阈值、动态阈值、自适应阈值（如Otsu）的原理与适用场景

在缺陷检测后处理链路中，阈值选择直接决定了从灰度/梯度响应到缺陷二值掩码的映射质量。一个不恰当的阈值可能让真实缺陷淹没在噪声中，也可能让纹理、反光等伪缺陷大量涌入。阈值方法的核心矛盾在于：如何在保持缺陷召回率的同时，最大化抑制背景干扰。本章将系统拆解固定阈值、动态阈值与自适应阈值（以Otsu为代表）的数学原理、工程适用边界，并结合工业视觉场景给出选型建议与实战案例。

4.1 固定阈值：简单可靠但前提苛刻

核心原理

固定阈值（Global Fixed Threshold）是最朴素的分割策略：设定一个全局常数 \( T \)，对图像中每个像素 \( I(x,y) \) 执行二值化：

if I(x,y) > T:
    mask(x,y) = 1   # 缺陷
else:
    mask(x,y) = 0   # 背景

该方法的数学本质是假设前景（缺陷）与背景（正常表面）的灰度分布可被一个常数平面完全分离。在理想成像条件下——均匀光照、无阴影、无反射、缺陷与背景对比度稳定——固定阈值能以极低计算成本获得可靠结果。

判断方法与操作流程

1. 灰度直方图分析：绘制缺陷区域与背景区域的灰度直方图，若两峰间隔明显且无重叠，固定阈值可行。
2. 阈值标定：采集20~50张含缺陷样本，人工标注缺陷区域，统计缺陷像素与背景像素的灰度均值 \( \mu_f, \mu_b \) 和标准差 \( \sigma_f, \sigma_b \)，取 \( T = (\mu_f + \mu_b)/2 \) 或 \( T = \mu_b + k\sigma_b \)（k通常取3~5）。
3. 验证：在独立测试集上计算召回率与误检率，若波动超过±5%，需考虑更鲁棒方法。

实战场景与局限

在半导体晶圆表面颗粒检测中，若暗场照明下颗粒呈现为高亮斑点，背景近乎纯黑，固定阈值 \( T=150 \)（8bit灰度）即可稳定工作。但一旦遇到以下情况，固定阈值会迅速失效：

• 环境光缓慢漂移（如白炽灯老化导致整体亮度下降10%）；
• 被检物体表面曲率造成光照梯度（如圆柱形电池外壳）；
• 同一图像中同时存在低对比度划痕和高对比度凹坑。

4.2 动态阈值：局部统计驱动的鲁棒分割

核心原理

动态阈值（Dynamic/Local Threshold）不再使用单一全局常数，而是为每个像素计算一个基于其邻域统计量的阈值。常见形式包括：

• 局部均值偏移：\( T(x,y) = m(x,y) + C \)，其中 \( m(x,y) \) 为 \( w \times w \) 邻域灰度均值，C为常数偏移；
• 局部标准差加权：\( T(x,y) = m(x,y) + k \cdot \sigma(x,y) \)；
• 分位数阈值：取邻域内灰度分布的P分位数（如P=95）作为阈值。

其核心思想是：背景灰度在局部范围内是缓慢变化的，而缺陷是局部突变。通过减去局部背景估计，可以消除光照不均匀的影响。

操作流程与参数选择

# 动态阈值伪代码（Python风格）
def dynamic_threshold(img, win_size=15, offset=10):
    # 1. 计算局部均值（均值滤波）
    local_mean = cv2.blur(img, (win_size, win_size))
    # 2. 计算局部标准差
    local_std = cv2.sqrt(cv2.blur(img**2, (win_size, win_size)) - local_mean**2)
    # 3. 阈值面 = 局部均值 + k * 局部标准差 + offset
    thresh_surface = local_mean + 2.0 * local_std + offset
    # 4. 二值化
    mask = (img > thresh_surface).astype(np.uint8)
    return mask

窗口大小 \( w \) 是关键参数：窗口过小（如3×3）会放大噪声，窗口过大（如51×51）则失去局部适应性。经验法则：窗口应大于缺陷最大尺寸的2~3倍，但小于背景纹理变化周期。对于锂电池极片表面划痕检测（划痕宽度约5~10像素），窗口取15~25像素效果较好。

案例拆解：金属拉丝表面划痕检测

背景与约束：某3C金属外壳产线需检测拉丝表面的细微划痕（宽度2~8像素，灰度对比度仅10~20灰度级）。拉丝纹理本身具有方向性灰度波动，全局阈值完全失效。

初始现象：固定阈值 \( T=120 \) 时，拉丝纹理被大量误判为缺陷，误检率高达45%；降低阈值至 \( T=100 \) 后，真实划痕召回率仅60%。

分析过程：绘制局部区域灰度剖面发现，拉丝纹理的灰度波动幅度达±15灰度级，而划痕的灰度凹陷仅比局部背景低10~18灰度级。单纯全局阈值无法区分“纹理波动”与“真实缺陷”。

实施步骤：

1. 采用15×15窗口计算局部均值 \( m(x,y) \)；
2. 计算局部标准差 \( \sigma(x,y) \)，拉丝区域 \( \sigma \) 约8~12，而平滑区域 \( \sigma \) 约2~3；
3. 设置阈值面 \( T(x,y) = m(x,y) - 1.5\sigma(x,y) \)（划痕为暗缺陷，故向下偏移）；
4. 对二值掩码进行形态学开运算（3×3核）去除孤立噪点。

结果对比：误检率从45%降至3.2%，召回率从60%提升至92%。代价是单帧处理时间从0.8ms增加至3.5ms（CPU实现），但仍满足产线节拍。

复盘经验：动态阈值对窗口大小敏感，需通过实验设计（DOE）确定最优参数；同时，当缺陷尺寸接近窗口大小时，局部均值会被缺陷“拉偏”，导致漏检。此时可考虑中值滤波替代均值滤波以增强鲁棒性。

4.3 自适应阈值（Otsu）：无监督的全局最优分割

核心原理

Otsu方法（大津法）是一种基于直方图统计的全局自适应阈值。其核心思想是：在灰度范围[0, L-1]内穷举所有可能阈值 \( t \)，选择使类间方差 \( \sigma_B^2(t) \)最大的 \( t \) 作为最优阈值。类间方差定义为：

σ_B²(t) = ω₀(t) · ω₁(t) · [μ₀(t) - μ₁(t)]²

其中 \( \omega_0, \omega_1 \) 分别为背景和前景的像素占比，\( \mu_0, \mu_1 \) 为对应灰度均值。当类间方差最大时，背景与前景的灰度分离度最高。

算法流程与工程实现

1. 计算灰度直方图 \( h[i], i=0,...,255 \)；
2. 归一化得到概率分布 \( p[i] = h[i] / N \)；
3. 遍历 \( t=0 \) 到 \( 254 \)，累计计算 \( \omega_0, \mu_0, \omega_1, \mu_1 \)；
4. 计算每个 \( t \) 对应的 \( \sigma_B^2(t) \)，取最大值对应的 \( t^* \) 为阈值。

OpenCV中一行代码即可调用：thresh_val, mask = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)。计算复杂度为O(L)，L=256，对工业相机图像（如500万像素）耗时约2~5ms。

适用场景与边界

4.4 三种方法对比与选型决策

选型决策建议

• 首选固定阈值：当产线光照受控、缺陷对比度稳定（如暗室环境、同轴光源），且对实时性要求极高（>200fps）时。
• 动态阈值兜底：当被检物体存在曲面、反光、纹理等灰度不均匀因素，且缺陷尺寸相对窗口可控时。
• Otsu作为快速原型：在项目初期缺乏标注数据时，先用Otsu快速验证可行性；若效果不佳，再转向动态阈值或深度学习。
• 组合策略：实际产线常采用“Otsu粗分割 + 动态阈值精调”或“固定阈值初筛 + 动态阈值复核”的级联方案，兼顾速度与精度。

4.5 案例复盘：PCB焊点缺陷检测的阈值选型之路

背景与约束：某PCBA产线需检测焊点桥连、虚焊缺陷。成像系统采用环形LED光源，焊点表面呈镜面反射，背景基板为哑光绿色。产线节拍要求单板检测时间<2s，缺陷最小尺寸0.3mm（约15像素）。

初始方案与失败：工程师首先采用固定阈值 \( T=180 \)，在试产阶段误检率高达28%。分析发现：焊点高度差异导致反射光强变化，部分正常焊点灰度达200，而部分虚焊焊点灰度仅160，固定阈值无法兼顾。

分析过程：采集200块板卡图像，统计焊点区域灰度直方图，发现并非双峰分布，而是多峰重叠——正常焊点灰度范围[150,220]，虚焊[120,170]，桥连[80,130]。Otsu仅能找到一个全局阈值，无法分离三类目标。

最终方案：

1. 使用动态阈值（窗口21×21，偏移-10）提取所有“暗于局部背景”的区域，召回率95%；
2. 对提取区域计算灰度均值和面积特征，通过业务规则（面积>50像素且灰度均值<140）判定为桥连；
3. 对剩余区域用固定阈值 \( T=150 \) 二次分割，识别虚焊。

结果：误检率降至1.8%，召回率91%，单板处理时间1.2s。该方案的核心是动态阈值负责“找候选”，业务规则负责“定性”，避免了单一阈值方法的局限。

复盘经验：阈值选择不是孤立的技术决策，必须与后续的形态学、连通域分析、业务规则联动设计。在复杂场景中，混合阈值策略 + 规则过滤往往比追求单一“完美阈值”更工程可行。

阈值选择是缺陷检测后处理的第一道闸门，其质量决定了后续NMS和业务规则过滤的输入上限。固定阈值适合“稳定环境+高对比度”，动态阈值擅长“光照不均+纹理背景”，Otsu则在“双峰分布+无先验”时提供快速基线。工程师应基于成像条件、缺陷特性、实时性要求综合选型，并通过灰度直方图分析、参数DOE、产线灰度校准等手段持续优化，而非机械套用某一种方法。