尝试不同的阈值选择方法，实现灰度图像二值化程序

灰度图像二值化的目的是将连续的灰度级转换成只有两个离散级别的图像，通常是全黑和全白。其中，选择合适的阈值是非常关键的步骤，因为它决定了哪些像素被视为前景（白色），哪些视为背景（黑色）。常见的阈值选择方法有：

1. **全局阈值法**：这是最简单的，直接设定一个固定值作为所有像素的阈值，如Otsu's方法就是一种经典的全局阈值算法，它自动寻找能最大化图像类间方差的阈值。

2. **自适应阈值法**：针对图像局部特性变化较大的情况，这种方法会计算每个像素邻域内的阈值。例如，Niblack阈值和Sauvola阈值分别考虑了像素及其周围像素的灰度平均值和对比度。

3. **分段阈值法**：根据图像的不同区域或特征划分，应用不同的阈值。可以先进行边缘检测或区域生长等预处理操作。

4. **动态阈值法**：比如基于直方图的信息，选取某个百分比点作为阈值，如50%处。

实现这样的二值化程序，你可以使用编程语言如Python的OpenCV库，代码示例如下：

import cv2
import numpy as np

# 加载灰度图像
img_gray = cv2.imread('gray_image.jpg', cv2.IMREAD_GRAYSCALE)

# 使用Otsu's方法计算阈值
_, threshold = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 或者使用其他方法，如自适应阈值
threshold_adaptive = cv2.adaptiveThreshold(img_gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)

# 结果保存或显示
cv2.imwrite('binary_image.png', threshold)