在归一化直方图基础上实现迭代法的代码

以下是使用归一化直方图实现迭代法的 Python 代码示例：

import numpy as np

# 定义迭代法函数
def iterative(hist, T):
    # 计算像素值总和
    total = np.sum(hist)
    # 初始化均值
    mean1 = 0
    mean2 = np.sum(np.arange(T + 1, 256) * hist[T + 1: -1]) / np.sum(hist[T + 1: -1])
    
    while True:
        # 根据均值计算两个类别的概率密度函数
        p1 = np.sum(hist[0: T + 1]) / total
        p2 = np.sum(hist[T + 1: -1]) / total
        # 根据概率密度函数计算两个类别的均值
        mean1 = np.sum(np.arange(0, T + 1) * hist[0: T + 1]) / np.sum(hist[0: T + 1])
        mean2 = np.sum(np.arange(T + 1, 256) * hist[T + 1: -1]) / np.sum(hist[T + 1: -1])
        # 更新阈值
        new_T = int((mean1 + mean2) / 2)
        # 如果阈值不再变化，则结束迭代
        if new_T == T:
            break
        T = new_T
    return T

# 定义归一化直方图函数
def normalized_hist(img):
    # 统计像素值出现的次数
    hist, bins = np.histogram(img, bins=256, range=(0, 255))
    # 将像素值出现的次数归一化到 [0, 1] 区间
    hist = hist / np.sum(hist)
    return hist

# 调用函数进行阈值分割
img = np.array([[10, 20, 30, 40],
                [50, 60, 70, 80],
                [90, 100, 110, 120],
                [130, 140, 150, 160]], dtype=np.uint8)
hist = normalized_hist(img)
T = iterative(hist, 128)
print("阈值为：", T)

其中，`normalized_hist` 函数用于计算图像的归一化直方图，`iterative` 函数实现迭代法，最后输出阈值。注意，这里的图像是一个 $4\times 4$ 的矩阵，仅作为示例。在实际应用中，需要根据实际情况读取图像。