MATLABR2018b代码，对灰度图像进行OSTU二值化

以下是MATLAB R2018b代码，用于对灰度图像进行OSTU二值化：

% 读入灰度图像
grayImg = imread('lena_gray.jpg');

% 计算灰度直方图
histogram = imhist(grayImg);

% 计算总像素数
totalPixels = sum(histogram);

% 初始化类间方差和最大值
maxVariance = 0;
optimalThreshold = 0;

% 遍历所有可能的阈值
for threshold = 1:255
    
    % 计算两个类的像素数和权重
    class1Pixels = sum(histogram(1:threshold));
    class2Pixels = totalPixels - class1Pixels;
    class1Weight = class1Pixels / totalPixels;
    class2Weight = class2Pixels / totalPixels;
    
    % 计算两个类的平均灰度值
    class1Mean = sum((0:threshold-1) .* histogram(1:threshold)) / class1Pixels;
    class2Mean = sum(threshold:255 .* histogram(threshold+1:end)) / class2Pixels;
    
    % 计算类间方差
    variance = class1Weight * class2Weight * (class1Mean - class2Mean)^2;
    
    % 更新最大类间方差和最优阈值
    if variance > maxVariance
        maxVariance = variance;
        optimalThreshold = threshold;
    end
    
end

% 对图像进行二值化
binaryImg = grayImg > optimalThreshold;

% 显示结果
subplot(1,2,1), imshow(grayImg), title('原图');
subplot(1,2,2), imshow(binaryImg), title('OSTU二值化');

在上面的代码中，我们首先使用 `imread` 函数读入灰度图像。然后，我们计算灰度直方图并计算总像素数。接下来，我们遍历所有可能的阈值，并计算两个类的像素数、权重和平均灰度值。然后，我们根据公式计算类间方差，并更新最大类间方差和最优阈值。最后，我们使用 `>` 运算符将图像二值化，并使用 `imshow` 函数显示原图和OSTU二值化结果。