全局閾值處理方法前提：當物體和背景像素的灰度分布十分明顯時，可以用適用于整個圖像的單個（全局）閾值。即可使用全局閾值處理。

算法思路：
（1）輸入原圖，轉化為灰度圖；
（2）對于灰度圖，為全局閾值T0選擇一個初始估計值（本人選擇為0~255中值127）；
（3）迭代（4）（5）（6）（7）步驟，迭代次數可自行選擇；
（4）用T0分割灰度圖，將其分為兩組像素，G1由灰度值大于T0的所有像素組成，G2由所有小于T的所有像素組成；
（5）對G1和G2的像素分別計算平均灰度值m1和m2；
（6）計算一個新的閾值：T1=1/2（m1+m2）；
（7）如果T1-T0=0，則為二值圖閾值，否則繼續迭代。

代碼如下：

            
              import cv2 as cv
import numpy as np

# 轉灰
def rgb2gray(img):
    h=img.shape[0]
    w=img.shape[1]
    img1=np.zeros((h,w),np.uint8)
    for i in range(h):
        for j in range(w):
            img1[i,j]=0.144*img[i,j,0]+0.587*img[i,j,1]+0.299*img[i,j,2]
    return img1

# 計算新閾值
def threshold(img,T):
    h=img.shape[0]
    w=img.shape[1]
    G1=G2=0
    g1=g2=0
    for i in range (h):
        for j in range (w):
            if img[i,j]>T:
                G1+=img[i,j]
                g1+=1
            else:
                G2+=img[i,j]
                g2+=1
    m1=int(G1/g1)
    m2=int(G2/g2)   # m1，m2計算兩組像素均值
    T0=int((m1+m2)/2)   # 據公式計算新的閾值
    return T0

def decide(img,T):
    h=img.shape[0]
    w=img.shape[1]
    img1=np.zeros((h,w),np.uint8)
    T0=T
    T1=threshold(img,T0)
    for k in range (100):   # 迭代次數為經驗值，可據實際情況選定
        if abs(T1-T0)==0:   # 若新閾值減舊閾值差值為零，則為二值圖最佳閾值
            for i in range (h):
                for j in range (w):
                    if img[i,j]>T1:
                        img1[i,j]=255
                    else:
                        img1[i,j]=0
            break
        else:
            T2=threshold(img,T1)
            T0=T1
            T1=T2   # 變量轉換，保證if條件為新閾值減舊閾值
    return img1

image=cv.imread("D:/Testdata/grow.tif")
grayimage=rgb2gray(image)
thresholdimage=decide(grayimage,127)
cv.imshow("image",image)
cv.imshow("grayimage",grayimage)
cv.imshow("thresholdimage",thresholdimage)
cv.waitKey(0)
cv.destroyAllWindows()

            
          

實驗結果：
左圖為原圖，右圖為灰度圖

此圖為二值圖

此方法為最基本二值化圖像方法，在實際應用中會從在諸多不足，但確是閾值分割的基礎，需要了解掌握。