图像阈值分割（二值化）

        图像分割是模式识别和计算机视觉中很重要的一个部分，基于阈值的图像分割具有简单、计算量小、效率高等特点，在实际图像处理中具有广泛的应用。经过国内外学者的广泛努力，已经提出了数以百计的阈值分割的算法，依据阈值分割算法本身所具有的准则或特性，可以分为迭代法、最大类间误差法（Otsu）、最大熵法等。本文主要介绍以上几种阈值分割方法。

（一）迭代法

     迭代法是一种比较简单的阈值分割方法，其思想：设置阈值的初始值为图像灰度最大值和最小值的平均，根据阈值划分图像为目标和背景，并分别将其灰度值求和，计算目标和背景的平均灰度，并判断阈值是否等于目标和背景平均灰度的和的平均，若相等，则阈值即为其平均，否则，将阈值设置为目标和背景灰度平局值的和的一半，继续迭代，直至计算出阈值。

    算法过程：

    1、计算图像的最大灰度值Ｚmax、最小灰度值Ｚmin，求平均得到初始阈值ｔｋ。

               zmax=max(max(I));zmin=min(min(I));

  　　　tk=(zmax+zmin)/2;

　　2、根据阈值划分图像为目标和背景，并分别计算其灰度均值

       z1=foregroundsum/iforeground;
       z2=foregroundsum/ibackground;

        tktmp=uint8((z1+z2)/2);

    3、判断tk是否等于tktmp，若相等则退出循环，阈值为tktmp，否则，将tktmp赋给tk，转2继续执行迭代。

    参考代码：

close all;%关闭所有窗口
clear;%清除变量的状态数据
clc;%清除命令行

I=imread('rice.png');
subplot(1,2,1);
imshow(I);
title('1 rice的原图');

%迭代式阈值分割 
zmax=max(max(I));%取出最大灰度值
zmin=min(min(I));%取出最小灰度值
tk=(zmax+zmin)/2;
bcal=1;
[m,n]=size(I);
while(bcal)
    %定义