图像二值化（ImageBinarization）：平均值法、双峰法、大津算法（OTSU）编程实现图像的二值化，分析不同的阈值对二值化图像的影响。问题描述传统的机器视觉通常包括两个步骤：预处理和物体检测。而沟通二者的桥梁则是图像分割（ImageSegmentation）。图像分割通过简化或改变图像的表示形式，使得图像更易于分析。最简单的图像分割方法是二值化（Binarization）。图像二值化（ImageBinarization）就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果的过程。二值图像每个像素只有两种取值：要么纯黑，要么纯白。由于二值图像数据足够简单，

Abstract点云上的实例分割对于三维场景理解至关重要。大多数最先进的方法采用距离聚类，这通常是有效的，但在对具有相同语义标签的相邻对象进行分割时表现不佳（特别是当它们共享相邻点时）。由于偏移点分布不均匀，这些现有方法几乎无法聚类所有实例点。为此，我们设计了一种新颖的分治策略，命名为PBNet，该策略将每个点二值化并分别进行聚类以进行实例分割。我们的二值聚类将偏移实例点划分为两类：高密度点（HPs）和低密度点（LPs）。通过删除LPs，相邻对象可以清晰地分开，然后通过邻居投票方法对LPs进行分配来完成和细化。为了抑制潜在的过度分割，我们建议为每个实例构建带有权重掩码的局部场景。作为插件，提出

百度飞桨(PaddlePaddle)-PaddleOCR文字识别简单使用图像二值化图像二值化（ImageBinarization），指将图像上的像素点灰度值设为0或255,将整个图像呈现出明显的黑白效果过程，二值图像每个像素只有两种取值：要么纯黑，要么纯白图像二值化，有利于图像的进一步处理，使图像变得简单，数据量减少（256位的灰度图，共有256级，变成黑白图像后，只有2级），能凸显出感兴趣的目标轮廓，然后进行二值图像的处理与分析阈值法是指选取一个数字，大于它就视为全白，小于它就视为全黑，0代表全黑，255代表全白所有灰度大于或等于阀值的像素，被判定为属于特定物体，其灰度值为255表示，否则这