一、全局閾值法
1.固定閾值方法
該方法是對於輸入圖像中的所有像素點統一使用同一個固定閾值。其基本思想如下:
其中，T爲全局閾值。
缺點:很難爲不同的輸入圖像確定最佳閾值。
2.Otsu算法
Otsu算法又稱最大類間方差法
先明確兩個概念:
(1)均值
(2)方差
圖像的閾值化處理，就是將圖像分爲兩個部分，高於閾值的部分，和小於閾值的部分。（暫不考慮多閾值的情況）。那麼，如果將圖像的每一個像素點的強度作爲一個數據集合中的單元，那麼，閾值化就相當於是一個二分類的問題。
我們假設，大於閾值的類爲S1，維度爲n1（不考慮秩的問題，實際上就是像素個數），均值爲m1；小於閾值的類記爲S2，維度爲n2，均值爲m2。根據前面概率的知識，理想的情況下，對於每一個類，其類內方差應該是很小的。
當然了，考慮每一個類是可行的。但是，我們又可以換個思路，全局上來考慮呢？
假設整個圖像的均值爲m，我們假設就只有兩個數據，m1,m2，考慮着兩個數據的離散程度，同樣可以用上面的方差公式。這裏看起來有點怪怪的，暫且這樣來理解吧。也就是說，方差越大，這兩個類也就越離散，分的越開。就像吵架一樣，吵得聲音越大，說明分歧越大，越嚴重。
所以，我們求這個閾值時，就希望，在內部是很團結的，就是在閾值分割後，兩個類中，每一個類都是很和諧的。但是，相互之間又非常的受不了對方，離的越遠越好。那麼，找到這樣的閾值，就十分開心了。
缺點:當目標物體與背景大小比例懸殊或灰度級接近，導致直方圖呈現三峯或雙峯峯值差距極大時，Otsu算法往往得不到滿意的結果
二、局部閾值法
1.自適應閾值算法
自適應閾值算法[2]用到了積分圖（Integral Image）的概念，它是一個快速且有效地對網格的矩形子區域計算和的算法。積分圖中任意一點 (x, y) 的值是從圖左上角到該點形成的矩形區域內所有值之和。圖2-5b中的灰色部分爲圖2-5a中灰色矩陣內值的加和：
自適應閾值算法的主要思想是以一個像素點爲中心設置大小爲 s×s 的滑窗，滑窗掃過整張圖像，每次掃描均對窗口內的像素求均值並將均值作爲局部閾值。若窗口中的某一像素值低於局部閾值t/100，賦值爲0；高於局部閾值t/100，賦值爲255。因爲涉及多次對有重疊的窗口進行加和計算，因此積分圖的使用可以有效地降低複雜度和操作次數。爲了計算積分圖，我們在每個位置存儲其左邊和上方所有 f(x, y) 值的總和，這一步驟會在線性時間內完成：
I(x, y)= f(x, y)+I(x-1, y)+I(x, y-1)-I(x-1, y-1)
一旦得到積分圖，對於任意從左上角 (x1y1, ) 到右下角(x2y2, ) 的矩形內（如圖2-6所示）的數值總和均可以使用式（2.2）計算：
流程共掃描全圖兩次，第一次掃描獲得積分圖intImg，第二次掃描根據式（2.2）計算每次掃描窗口內像素值的平均值的（100-t）/100，並將計算結果作爲局部閾值。若窗口內某一像素點的值乘以窗口大小大於該閾值，則對應輸出255，反之則輸出0。
2. Niblack算法
Niblack算法同樣是根據窗口內的像素值來計算局部閾值的，不同之處在於它不僅考慮到區域內像素點的均值和方差，還考慮到用一個事先設定的修正係數 k 來決定影響程度。
T(x, y)=m(x, y)+ks(x, y)
其中，T(x, y) 爲閾值，m(x, y)、s(x, y) 分別代表均值與方差。與 m(x, y) 相近的像素點被判定爲背景，反之則判定爲前景，而相近的程度則由標準差和修正係數來決定，這樣做可以保證算法的靈活性。
缺點:Niblack算法的缺陷一方面在於 r × r 的滑窗會導致在邊界區域(r-1)/2的像素範圍內無法求取閾值；另一方面在於如果 r×r 滑窗內全部是背景，那麼該算法必然會使一部分像素點成爲前景，形成僞噪聲。因此，r的選擇非常關鍵，若窗口太小，則不能有效地抑制噪聲；若窗口太大，則會導致細節丟失。
3. Sauvola算法
Sauvola算法是針對文檔二值化處理，在Niblack算法基礎上的改進：
其中，R是標準方差的動態範圍，若當前輸入圖像是8位灰度圖像，則 R=128。Sauvola算法在處理光線不均勻或染色圖像時，比Niblack算法擁有更好的表現，因爲式（2.3）以自適應的方式放大了標準差s的作用。假設我們要處理一份淺色但有污漬的文檔，那麼乘以m係數會降低背景區域閾值的範圍，這可以有效地減少染色、污漬等帶來的影響。表2-1展示了Sauvola與Niblack算法在處理染色文檔時的效果差異。
三、其他方法
對於灰度圖而言，腐蝕和膨脹運算都類似於卷積操作——將結構元素在原圖上平移，而結構元素上的原點就相當於卷積核的核中心。首先我們約定，將結構元素覆蓋住的原圖區域記爲P。
1.腐蝕
如圖2-10所示，腐蝕運算即在平移過程中依次計算 P 和 結構元素的差矩陣，並將該矩陣中的最小值賦給原點對應的原圖位置.
2.膨脹
如圖2-11所示，膨脹運算則是計算 P 和結構元素的和矩陣，並將該矩陣中的最大值賦給原點對應的原圖位置。
3.開運算
開運算是先腐蝕後膨脹,開運算可以使圖像的輪廓變得光滑，斷開狹窄的連接並消除細毛刺
4.閉運算
閉運算是先膨脹後腐蝕.閉運算同樣可以平滑輪廓，但其具體作用是排除小型空洞，彌合狹窄的間斷點、溝壑以及填補斷裂的輪廓線。