二值化函数cvThreshold（）参数CV_THRESH_OTSU的疑惑

查看OpenCV文档cvThreshold()，在二值化函数cvThreshold（const CvArr* src, CvArr* dst, double threshold, double max_value, int threshold_type）中，参数threshold_type有5种类型：

• THRESH_BINARY
• THRESH_BINARY_INV
• THRESH_TRUNC
• THRESH_TOZERO
• THRESH_TOZERO_INV

问题来了：为什么可以在threshold_type参数中使用CV_THRESH_OTSU，在哪里可以查看这种OTSU，它用的什么方法？经多次验证，二值化的效果很好，且速度很快。
已经有一些同志在使用：
例证1：例证1
例证2：例证2
例证3：例证3

    我的遭遇：为了二值化一个比较大的图像（10M，3840*2748），痛苦的看了各种论文，尝试了各种的二值化方法：一维OTSU，快速迭代的一维OTSU，二维的OTSU,快速迭代的二维OTSU。但现实的残酷的！只有二维的OTSU和快速迭代的OTSU可用，但前者处理时间让人难以接受，后者也要500多个ms。        快速迭代的二维OTSU算法是根据吴一全老师的《二维最大类间方差阈值分割的快速迭代算法》（论文下载链接，提取码：fd0b）来实现的。但是令我哭笑不得的是，无意中在网上发现了一种方法threshold_type使用参数使用CV_THRESH_OTSU时，时间却大大的缩短。程序如下（
程序下载链接提取码：fd0b），图像下载  （提取码：24f3）。

/* otsu_2d：二维最大类间方差阈值分割的快速迭代算法   吴一全 */
#include <iostream>
#include <cv.h>
#include <highgui.h>

using namespace std;
double TwoDimentionOtsu(IplImage *image);
int main()  
{ 
	IplImage* srcImage = cvLoadImage( "E:/image_1/14.bmp",0 ); 
	assert(NULL != srcImage);

	cvNamedWindow("src",0);
	cvShowImage("src",srcImage); 

	clock_t start_time=clock();

	//计算最佳阈值 
	double threshold = TwoDimentionOtsu(srcImage);//70,125

	clock_t end_time=clock();
	cout<< "Running time is: "<<static_cast<double>(end_time-start_time)/CLOCKS_PER_SEC*1000<<"ms"<<endl;//输出运行时间

	cout << "threshold=" << threshold << endl;

	IplImage* biImage = cvCreateImage(cvGetSize(srcImage),8,1);  
	//对图像二值化
	//cvThreshold(srcImage,biImage,255,255, CV_THRESH_OTSU | CV_THRESH_BINARY);
	cvThreshold(srcImage,biImage,threshold,255, CV_THRESH_BINARY);

	cvNamedWindow("binary",0);  
	cvShowImage("binary",biImage);  

	cvWaitKey(0);  

	cvReleaseImage(&srcImage);  
	cvReleaseImage(&biImage);  

	cvDestroyAllWindows();  

	return 0;  
} 
double TwoDimentionOtsu(IplImage *image)
{
	double t0 = 0, s0 = 0, t = 0, s = 0;
	int width = image->width;  
	int height = image->height; 
	double dHistogram[256][256]={0.0};                                //建立二维灰度直方图  
	unsigned long sum0 = 0,sum1 = 0;                                //sum0记录所有的像素值的总和,sum1记录3x3窗口的均值的总和
	uchar* data = (uchar*)image->imageData; 
	for(int i=0; i<height; i++)  
	{  
		for(int j=0; j<width; j++)  
		{  
			unsigned char nData1 = data[i * image->widthStep + j];//nData1记录当前点（i,j）的像素值
			sum0 += nData1;
			unsigned char nData2 = 0;  //nData2记录以当前点（i,j）为中心三领域像素值的平均值
			int nData3 = 0;                                        //nData3记录以当前点（i,j）为中心三领域像素值之和，注意9个值相加可能超过一个字节  
			for(int m=i-1; m<=i+1; m++)  
			{  
				for(int n=j-1; n<=j+1; n++)  
				{  
					if((m>=0)&&(m<height)&&(n>=0)&&(n<width))
							nData3 += data[m * image->widthStep + n];
				}  
			}  
			nData2 = (unsigned char)(nData3/9);    //对于越界的索引值进行补零,邻域均值
			sum1 += nData2;
			dHistogram[nData1][nData2]++;  
		}  
	}

	long N = height*width;                //总像素数  
	t = sum0/N;                                        //图像灰度级均值
	s = sum1/N;                                        //邻域平均灰度级的均值

	s0 = s;
	t0 = t; 
	for(int j=0; j<256; j++)
		for(int i=0; i<256; i++) 
		{
				dHistogram[i][j] = dHistogram[i][j]/N;  //得到归一化的概率分布 
		}

	double w0 = 0.0,w1 = 0.0,u0i = 0.0,u1i = 0.0,u0j = 0.0,u1j = 0.0;

	do
	{
		t0 = t;
		s0 = s;
		w0 = w1 = u0i = u1i = u0j = u1j = 0.0;
		for (int i = 0,j; i < 256; i++)
		{
			for (j = 0; j < s0; j++)
			{
				w0 += dHistogram[i][j];
				u0j += dHistogram[i][j] * j;
			}

			for (; j < 256; j++)
			{
				w1 += dHistogram[i][j];
				u1j += dHistogram[i][j] * j;
			}

		}
		for (int j = 0,i = 0; j < 256; j++)
		{
			for (i = 0; i < t0; i++)
					u0i += dHistogram[i][j] * i;
			for (; i < 256; i++)
					u1i += dHistogram[i][j] * i;
		}
		u0i /= w0;
		u1i /= w1 ;
		u0j /= w0;
		u1j /= w1;

		t = (u0i + u1i)/2;
		s = (u0j + u1j)/2;
	}while ( t != t0);//是否可以用这个做为判断条件，有待考究，请高手指点

	return t;//只用t做为阈值，个人也感觉不妥，但没有找到更好的方法，请高手指点

}

输出结果：

 cvThreshold（）参数设为CV_THRESH_OTSU，输入结果：