编写Python代码做出图像的灰度直方图，观察灰度直方图的分布，估计分割背景和目标的大致阈值； 2、编写Python代码使用极小点阈值法确定区域分割的阈值，并用该阈值分割两个图像的背景和目标(转成二值图像)，观察分割后的图像； 3、编写Python代码使用迭代阈值法确定区域分割的阈值，并用该阈值分割两个图像的背景和目标(转成二值图像) ，观察分割后的图像；

1. 这里是使用Python中的OpenCV库来实现图像的灰度直方图的代码：

import cv2
import matplotlib.pyplot as plt

# 读入图像
img = cv2.imread("image.jpg")

# 将图像转为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 统计灰度值直方图
hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])

# 绘制直方图
plt.plot(hist)
plt.show()

2. 这里是使用极小点阈值法进行图像分割的代码：

import cv2

# 读入图像
img = cv2.imread("image.jpg")

# 将图像转为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 计算灰度值直方图
hist = cv2.calcHist([gray_img], [0], None, [256], [0, 256])

# 计算极小值点
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(hist)
thresh = min_loc[0]

# 二值化图像
_, binary_img = cv2.threshold(gray_img, thresh, 255, cv2.THRESH_BINARY)

# 显示分割后的图像
cv2.imshow("binary image", binary_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

3. 这里是使用迭代阈值法进行图像分割的代码：

import cv2

# 读入图像
img = cv2.imread("image.jpg")

# 将图像转为灰度图
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 迭代计算阈值
_, thresh = cv2.threshold(gray_img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 二值化图像
_, binary_img = cv2.threshold(gray_img, thresh, 255, cv2.THRESH_BINARY)

# 显示分割后的图像
cv2.imshow("binary image", binary_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意：以上代码仅供参考，具体的图像分割效果可能需要根据具体的图像进行调整。