利用cv2. threshold ( )方法对图像进行处理，设置不同的阈值比较实验结果，然后再利用cv2. adaptiveThreshold ( )方法对图像进行自适应阈值处理，给出相关代码和实验结果；

在Python OpenCV库中，`cv2.threshold()`函数主要用于将灰度图像二值化，通过设定两个阈值（一个是阈值上限，另一个是阈值下限），像素点会根据其灰度值分别归为0（黑）或255（白）。这个函数通常用于简单的边缘检测或分割操作。

例如，下面是一个基本的使用示例：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('image.jpg', 0)  # 读为灰度图像

# 设置阈值为127，大于127的像素变为白色，小于等于127的像素变为黑色
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 显示原图和处理后的图像
cv2.imshow('Original Image', img)
cv2.imshow('Binary Image', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

而`cv2.adaptiveThreshold()`函数则会根据每个像素周围一定大小区域内的灰度平均值来动态调整阈值，适用于光照变化大的场景。它的语法如下：

adaptive_thresh = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)

其中，`src`是输入图像，`maxValue`是最大灰度值，`adaptiveMethod`可以是`cv2.ADAPTIVE_THRESH_MEAN_C`（均值计算）或`cv2.ADAPTIVE_THRESH_GAUSSIAN_C`（高斯加权），`thresholdType`决定了是二值还是分段等，`blockSize`是邻域大小，`C`是常数。

对比两者的实验结果，`cv2.adaptiveThreshold()`能更好地保留图像细节，特别是在光照条件不稳定的情况下。你可以尝试改变参数，观察不同阈值策略下的效果差异。