概念：
该方法网上很多很简洁但是很难懂的公式，本文章将会由简单例子入手，一步步去理解那些公式，但是不做代码实现，毕竟只要搞懂了这个算法的思想，代码的实现其实千变万化，甚至用CV库的话根本不用写代码。
为啥出现这个二值化算法，OTSU的致命缺陷在哪里？
在大津算法OTSU中，由于采取的都是全局均值求出最佳全局阈值，但是在图片光照不均匀的场景，很容易把稍微模糊的边缘目标图像当作背景，为了避免这种场景，我们就可以考虑更为细腻的局部自适应阈值，它是根据图像不同区域亮度，不断计算更新局部阈值，同时不断“刷新”局部图像，直到把整张目标图像都“刷”一遍，所以对于图像不同区域，自适应不同的阈值，因此称为局部自适应阈值法。
如下图所示：
中间我用白线区分的部分，假设全局阈值法做二值化，光亮部分较多的话，整体灰度值亮度偏高，导致右上角阴暗处文字被填充为黑色，只保留了左下角的部分文字，这显然是人工智障，那我们人又是如何知道暗的部分也需要识别的呢？又该怎么教会机器呢？
案例：
仔细想，其实我们是能适应从很亮到很暗的书页字体颜色的一个变化，所以能准确抓住哪部分该识别，哪部分不用识别，假如我们让机器也有这个能力，那它也会慢慢学到“暗”的地方的文字也要识别
再细想一下，二值化的最重要一点，就是阈值，那么我们有什么办法，让阈值不是一个全局的固定的值，而是根据图像各个部位不同，稍微做一些调整呢？
移动平均法，这个初中还是高中学的公式就派上用场了，首先我们把图像切分成N个小部分：
基于初次切分的每个小格，再做一次简单分割，得到下图左上角所示：
这样我们假设可以获得左上角的四个区域，每个区域内的M个像素点的平均灰度值为u1,u2,u3,u4, 那么这四个区域围起来代表的红色区域内的平均灰度值就是 （大写）U1 = (u1+u2+u3+u4) / 4 ，得到一个小格的比较准确的平均灰度值阈值，按照这个方法我们再往后推几个格子
??注意，很多网上例子是说用像素点，但是实际项目中，一张图像可能就百M上G，几G甚至更多，用像素点效率很低，所以这里举例子采用细分区域的平均值，其实核心思想一样,
这里例子用的22网格，现实也可以根据实际情况选择55，66，99……
这个时候，按照移动平均法的公式不断更新一个全局的浮动阈值：UT
UT = (U1+U2+U3+U4+U5) / 5
这个阈值就能很好“识别”阴暗处的文字，为什么呢？因为U1，U2，U3的平均阈值亮度很高，但是“刷”过U4区域的时候，已经“被平均”了，也就是区分的阈值亮度被“拉低”了，这样在U5甚至接下来的U6，U7区域，它也能很快的“适应”光线的变化，准确“读”出二值化识别的目标文字
疑问：万一U4这个过渡区域无法瞬间拉低阈值，怎么办？
好办
方法一：把图像再分割细一点，让刷过去的速度更慢，让阈值有充分的过渡区域可以降低
方法二：把前一个区域的阈值进行百分比取值，也就是只取上一次的百分之几黑度，相当于“我会借鉴/参考前任的经验但是我有我区域的特殊情况，我不会100%按照别人的阈值经验来搞”，这个百分比取值可以通过多次尝试来找到分割效果最好的那一个
例如：
设i区域内的像素点灰度值为[p1,p2,p3…pi]，区域的平均阈值为:Ui
t 为pi区域之前的s个像素点的灰度平均阈值的百分比
那么当前区域我的阈值就设为：
Ui+ = Ui / ( 100 - t /100)
有了上面的基础，我们怎么用这一个不断变化的阈值去二值化我们的目标图像呢？
网上有很多例子都是黑底/深色底，白图/浅色图；这里案例用的是白底黑字，目标图像是黑字，那么做二值化时候判断：
设i区域内的像素点灰度值为[p1,p2,p3…pi]，区域的平均阈值为:Ui，t 为pi区域之前的s个像素点的灰度平均阈值的百分比
Ui+ = Ui / ( 100 - t /100)
px < Ui+ ?
阈值/100会得到一个更小的灰度值分割值，这个100是可以调整的，不一定写死，如果该像素点比更小的分割都小，也就是还要接近黑，那么直接输出黑
是的话，输出0 （代表黑）
不是的话，输出255（代表白）