otsu自己编写matlab

如果你想自己编写Otsu算法的Matlab代码，可以按照以下步骤进行：

1. 将图像转换为灰度图像。
2. 计算图像的直方图。
3. 计算每个灰度级别下的像素数。
4. 计算每个灰度级别下的像素占总像素数的比例。
5. 从第一个灰度级别开始，计算累计和和平均值，并计算全局平均值。
6. 从第一个灰度级别开始，计算类内方差和类间方差，并找到最大类间方差对应的灰度级别。
7. 将该灰度级别作为阈值，将图像进行二值化。

下面是一个简单的Matlab代码示例，演示如何使用以上步骤编写Otsu算法：

% 读入图像
img = imread('test.jpg');

% 将图像转换为灰度图像
gray_img = rgb2gray(img);

% 计算图像的直方图
histogram = imhist(gray_img);

% 计算每个灰度级别下的像素数
pixel_count = sum(histogram);

% 计算每个灰度级别下的像素占总像素数的比例
probability = histogram / pixel_count;

% 初始化变量
max_variance = 0;
threshold = 0;
w_background = 0;
w_foreground = 0;
mean_background = 0;
mean_foreground = 0;

% 从第一个灰度级别开始，计算类内方差和类间方差
for i = 1 : 256
    w_background = w_background + probability(i);
    w_foreground = 1 - w_background;
    mean_background = mean_background + (i - 1) * probability(i);
    mean_foreground = (sum(histogram) - w_background * i) / w_foreground;
    variance = w_background * w_foreground * (mean_background - mean_foreground) ^ 2;
    if variance > max_variance
        max_variance = variance;
        threshold = i - 1;
    end
end

% 对图像进行二值化处理
binary_img = imbinarize(gray_img, threshold / 255);

% 显示二值化后的图像
imshow(binary_img);

在上面的代码中，我们首先计算了图像的直方图，并计算了每个灰度级别下的像素数和像素占总像素数的比例。然后，我们从第一个灰度级别开始，计算类内方差和类间方差，并找到最大类间方差对应的灰度级别。最后，我们使用该灰度级别作为阈值，将图像进行二值化。

需要注意的是，Otsu算法的效果取决于图像的特征。对于某些图像，Otsu算法可能不会得到最佳结果，因此在实际应用中需要根据具体情况进行调整和优化。