迭代阈值分割算法（处理图像）

**1.算法原理简述**
       迭代法求取阈值进行图像分割：它的主要思想是：图像分割后的两部分A和B的均值和基本保持稳定。也就是说，随着迭代的进行，取 [mean(A)+mean(B)]/2 最终的收敛值作为分割阈值。其具体方法如下：
（1）选取一个初始阈值T；
（2）利用阈值T把给定图像分割成两组图像，记为R1和R2；
（3）计算R1和R2均值μ1和μ2;
（4）选择新的阈值T，且T=（μ1+μ2）/2;
（5）重复第（2）至（4）布，直到连续两次T的差值小于一个预设值为止。
**2.算法设计流程图（或难点分析）**
 

**3.算法设计代码与注释（迭代阈值分割算法）**

%读入图像,并进行灰度转换（迭代阈值分割算法）
A=imread('figerprint.jpg');
B=rgb2gray(A);
%初始化阈值
T=0.5*(double(min(B(:)))+double(max(B(:))));
d=false;
%通过迭代求最佳阈值
while~d
g=B>=T;
Tn=0.5*(mean(B(g))+mean(B(~g)));
d=abs(T-Tn)<0.5;
T=Tn;
end
% 根据最佳阈值进行图像分割
level=Tn/255;
BW=im2bw(B,level);
% 显示分割结果
subplot(121),imshow(A);title('Original');%显示原图
subplot(122),imshow(BW);title('Processed') ;%显示处理后的图像
%显示直方图
figure;
histogram(A);   
xlim([0 255]);

**4.实验结果与分析**

图1 指纹处理结果图

图2 指纹图像直方图

从图1中可以看出指纹图像进行处理之后的图像，其中Original标题的为指纹图像原图，Processed标题的图像为进行迭代阈值分割处理之后的图像。通过图像之间的对比，可以看出指纹周围的图像被分割处理成白色的，而指纹部分为黑色，从而分割成功。图2为指纹图像原图的直方图。
**5.结论与展望**
       为了提高收敛速度，初始阈值T的选择要稍微注意些。当目标与背景的面积相当时，可以将初始阈值T设置为整个图像的平均灰度值；当目标与背景的面积相差较大时，更好地选择是将初始阈值T设置为最大灰度值和最小灰度值的中间值。