利用matlab，设计程序，通过迭代算法得出最佳阈值，实现对自选图像的最优阈值分割。

以下是一种基于Otsu算法的阈值分割的Matlab实现方法：

% 读取图像
I = imread('your_image.jpg');

% 将图像转为灰度图
I_gray = rgb2gray(I);

% 计算图像的灰度直方图
histogram = imhist(I_gray);

% 计算图像的像素总数
total_pixels = numel(I_gray);

% 初始化最佳阈值和最大类间方差
best_threshold = 0;
max_variance = 0;

% 迭代计算最佳阈值
for threshold = 1:255
    % 计算阈值为threshold时的类间方差
    w0 = sum(histogram(1:threshold));
    w1 = sum(histogram(threshold+1:end));
    p0 = w0 / total_pixels;
    p1 = w1 / total_pixels;
    u0 = sum(histogram(1:threshold) .* (1:threshold)') / w0;
    u1 = sum(histogram(threshold+1:end) .* (threshold+1:255)') / w1;
    variance = p0 * p1 * (u0 - u1)^2;
    
    % 更新最佳阈值和最大类间方差
    if variance > max_variance
        max_variance = variance;
        best_threshold = threshold;
    end
end

% 对图像进行二值化处理
I_bw = im2bw(I_gray, best_threshold/255);

% 显示原图和二值化结果
subplot(1,2,1);
imshow(I);
title('Original Image');
subplot(1,2,2);
imshow(I_bw);
title(['Segmented Image (threshold=' num2str(best_threshold) ')']);

上述代码中，我们首先读取图像并将其转为灰度图，然后计算图像的灰度直方图。接着，我们迭代计算不同阈值下的类间方差，并更新最佳阈值和最大类间方差。最后，我们利用最佳阈值对图像进行二值化处理，并显示原图和二值化结果。