关键步骤不调用其他函数，实现OTSU算法，并与Canny算子(可调用已有函数)比较。MATLAB代码

OTSU算法是一种用于二值图像分割的无参数阈值选择方法，其关键步骤主要包括：

1. 计算像素灰度值直方图（Histogram）：首先对图像所有像素的灰度值进行统计，得到每个灰度级别的像素频率。

2. 累积分布函数（Cumulative Distribution Function, CDF）计算：将频率累加，形成累积频率，即每个灰度级对应的像素累计总数。

3. 寻找最大梯度点：计算灰度级之间的差异，找到使得类间方差（Between-Class Variance）最大化而类内方差（Within-Class Variance）最小化的阈值。类间方差由两个累积频率之差的平方乘以相应的灰度级差分表示，类内方差则是剩余未分类像素的方差。

4. 划分图像：根据找到的阈值，将像素分配到前景（高灰度）或背景（低灰度）类别。

以下是简单的MATLAB代码片段，展示了如何实现OTSU算法，这里假设`im`是输入的灰度图像：

% OTSU算法实现
function [threshold, binary] = otsuThreshold(im)
    % 计算直方图
    hist = imhist(im);

    % 累积分布函数
    cdf = cumsum(hist, 'omitnan');

    % 类间方差和类内方差
    betweenClassVariance = sum(cdf .* (1 - cdf));
    withinClassVariances = zeros(size(hist));

    for i = 1:length(hist) - 1
        % 计算当前灰度级以上的类内方差
        withinClassVariances(i) = sum(hist(i+1:end).^2);
    end

    % 最优阈值
    [~, optimalIndex] = max(withinClassVariances ./ betweenClassVariance);
    threshold = graylevel(i);

    % 应用阈值
    binary = im < threshold; % 将像素设为0（背景）或1（前景）
end

% Canny算子示例
% 假设边缘检测函数已存在，例如`edgeDetection()`
edges_canny = edgeDetection(im); % 使用Canny算子

% 比较
figure;
subplot(1,2,1), imshow(uint8(binary)), title('OTSU');
subplot(1,2,2), imshow(uint8(edges_canny)), title('Canny');