二值化原理：
把一個灰度圖像二值化，其實就是找到一個閾值，使這個較低中，灰度大於這個閾值的，設置成255，灰度小於這個閾值的，設置爲0。
閾值自適應二值化：
非自適應的二值化呢，有一個問題，就是一個閾值往往只對應一類圖像，如果圖像的光照變暗了，那個單閾值情況的二值化效果會大大的折扣。自適應二值化其實就是一種根據圖片的灰度直方圖，得到一個適合本圖像的二值化閾值。
本文給出一種自適應閾值產生的方法，當然這個方法有很多種，本文只是一種方法。
本程序的原理很簡單：如下圖所示，藍色的代表一個灰度圖片的直方圖，想辦法找到一個合適的混合高斯分佈去逼近它。混合高斯分佈，其實就是兩個高斯分佈之和。我們認爲兩個高斯分佈相交的地方的灰度值，就是要選擇的閾值。
那麼怎麼去尋找一個逼近它的高斯分佈呢？我用的是一個比較笨的方法，取一個變量t，將這個變量t，從左到右遍歷每一個灰度。每次以t左邊的數據當成一組樣本來估計一個高斯分佈，以t右邊的數據爲另一個樣本來估計第二個高斯分佈。將這兩個高斯分佈組合成的混合高斯分佈，跟原始的數據匹配。至於匹配標準可以隨意選擇，可以用最小均方誤差，也可以用最小絕對值誤差，也可以用相關程度。隨着t的遍歷，找到每一次混合高斯分佈與原始數據的匹配程度，選擇最爲匹配的混合高斯分佈所對應的t值值爲閾值。
實踐證明，這種方法的自適應性還是很好的，魯棒性比較好。
當改變直方圖時，混合高斯模型的匹配效果，還是很多不錯的。
但是有一點，就是要求處理的圖片，灰度不能太複雜，儘量符合混合高斯模型。