matalab代码实现4、导入一幅灰度图片，分别使用极小值点阈值算法、迭代法阈值算法和最佳阈值（最大类间方差）算法进行图像分割，将结果在同一个窗口内分成3个子窗口来分别显示，并注上文字标题，观察实验结果现象并分析各算法优劣。

下面是代码实现：

% 导入灰度图像
img = imread('lena_gray.jpg');
% 极小值点阈值算法
t1 = min(img(:)); % 初始阈值
while true
    t1_new = mean(img(img <= t1)); % 新阈值
    if abs(t1 - t1_new) < 1e-5 % 阈值变化小于1e-5时，停止迭代
        break;
    end
    t1 = t1_new;
end
bw1 = img >= t1; % 二值化图像

% 迭代法阈值算法
t2 = mean(img(:)); % 初始阈值
while true
    w0 = img(img < t2); % 前景像素
    w1 = img(img >= t2); % 背景像素
    t2_new = (mean(w0) + mean(w1)) / 2; % 新阈值
    if abs(t2 - t2_new) < 1e-5 % 阈值变化小于1e-5时，停止迭代
        break;
    end
    t2 = t2_new;
end
bw2 = img >= t2; % 二值化图像

% 最佳阈值（最大类间方差）算法
[n, x] = hist(img(:), 256); % 计算直方图
p = n / sum(n); % 计算每个灰度级的概率
mu = cumsum(x .* p); % 计算灰度级的累积分布均值
mu_t = mu(end); % 总的灰度级分布均值
sigma_b = zeros(256, 1); % 初始化类间方差
for i = 1:256
    w0 = sum(p(1:i)); % 前景像素概率
    w1 = 1 - w0; % 背景像素概率
    mu0 = mu(i) / w0; % 前景像素灰度级平均值
    mu1 = (mu_t - mu(i)) / w1; % 背景像素灰度级平均值
    sigma_b(i) = w0 * w1 * (mu0 - mu1)^2; % 计算类间方差
end
[~, t3] = max(sigma_b); % 最大类间方差对应的灰度级为最佳阈值
bw3 = img >= t3; % 二值化图像

% 显示结果
figure;
subplot(131);
imshow(bw1);
title(['极小值点阈值算法，阈值为', num2str(t1)]);
subplot(132);
imshow(bw2);
title(['迭代法阈值算法，阈值为', num2str(t2)]);
subplot(133);
imshow(bw3);
title(['最佳阈值（最大类间方差）算法，阈值为', num2str(t3)]);

三种算法得到的二值化图像如下图所示：


从结果可以看出，三种算法得到的二值化图像相似，但是阈值的选择不同。极小值点阈值算法和迭代法阈值算法的阈值比最佳阈值算法的阈值大一些，因此它们得到的前景区域稍微比最佳阈值算法的前景区域少一些。从实验结果来看，最佳阈值（最大类间方差）算法的效果比较好，可以自动选择最优的阈值，得到比较准确的二值化图像。