刘良运1. 为什么黑白图像需要"抖动"？
当你用手机拍摄一张黑白照片时，可能会发现直接转换成纯黑白两色后，画面变得像剪纸一样生硬。这是因为普通二值化处理（比如设定一个固定阈值）粗暴地将所有像素非黑即白地分类，丢失了原始图像中丰富的灰度过渡信息。想象一下用乐高积木拼一幅人像画——如果只能用黑白两种积木，又要求每个格子只能放一块积木，最终效果必然像马赛克一样粗糙。
人眼的神奇之处在于它的"低通滤波"特性。我们看东西时，视网膜并不会逐个像素精确分析，而是自动对邻近区域的颜色进行模糊混合。这就像隔着毛玻璃看画，虽然看不清细节笔触，但整体明暗层次依然分明。Floyd-Steinberg抖动算法正是利用这个生理特性，通过精心设计的误差分配策略，让黑白像素的排列产生视觉上的灰度错觉。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 误差扩散：算法界的"乾坤大挪移"
2.1 核心思想拆解
Floyd-Steinberg算法的精妙之处在于它处理每个像素时，会把量化误差（实际灰度值与二值化结果的差值）按特定比例分配给邻近的未处理像素。具体分配比例如下：
code复制 ■ □ □
□ □ 7/16
3/16 5/16 1/16
（■表示当前处理像素，□代表已处理像素）
这种设计确保了误差像涟漪一样向右下方扩散，既避免了误差累积导致的斑块效应，又利用人眼的模糊特性形成平滑过渡。我曾在项目中尝试修改这些权重系数，发现即使微调0.05都会导致明显的条纹瑕疵，可见原版参数是经过严格数学验证的黄金比例。
2.2 与其它抖动算法对比
- 有序抖动：使用固定阈值矩阵，会产生明显的网格图案
- 随机抖动：虽然能避免图案化，但会引入噪点
- 误差扩散：在保持自然过渡的同时，几乎看不到重复模式
实测下来，处理人像照片时Floyd-Steinberg的皮肤质感还原度最好。不过要注意，对于有规则线条的工程图纸，有时简单的阈值法反而更合适。
3. 手把手实现图像抖动
3.1 环境准备
建议使用Python+OpenCV组合，以下是完整依赖：
python复制pip install opencv-python numpy matplotlib
3.2 关键代码解析
原始代码有几个可以优化的地方。首先是边界处理——原版在图像右侧和下边