① rgb色彩模式中r的值的大小是如何定義的
的演算法描述。
步驟1：把RGB值轉成中數值。
步驟2：找出R,G和B中的最大值。
步驟3：設L＝(maxcolor + mincolor)/2
步驟4：如果最大和最小的顏色值相同，即表示灰色，那麼S定義為0，而H未定義並在程序中通常寫成0。
步驟5：否則，測試L：
If L<0.5, S=(maxcolor-mincolor)/(maxcolor + mincolor)
If L>=0.5, S=(maxcolor-mincolor)/(2.0-maxcolor-mincolor)
步驟6: If R=maxcolor, H=(G-B)/(maxcolor-mincolor)
If G=maxcolor, H=2.0+(B-R)/(maxcolor-mincolor)
If B=maxcolor, H=4.0+(R-G)/(maxcolor-mincolor)
步驟7：從第6步的計算看，H分成0～6區域。RGB顏色空間是一個立方體而HSL顏色空間是兩個六角形錐體，其中的L是RGB立方體的主對角線。因此，RGB立方體的頂點：紅、黃、綠、青、藍和品紅就成為HSL六角形的頂點，而數值0～6就告訴我們H在哪個部分。H＝H*60.0,如果H為負值，則加360。
② 自適應閾值閾值圖像分割演算法中，自適應閾值怎麼設定
根據灰度、梯度、形態等來設定自適應閾值。
設定過程：設置→參數→選擇（灰度、梯度、形態）→輸入數值→計算閾值→搞定。
閾值又叫臨界值，是指一個效應能夠產生的最低值或最高值。
閾值又稱閾強度，是指釋放一個行為反應所需要的最小刺激強度。低於閾值的刺激不能導致行為釋放。在反射活動中，閾值的大小是固定不變的，在復雜行為中，閾值則受各種環境條件和動物生理狀況的影響。當一種行為更難於釋放時，就是閾值提高了;當一種行為更容易釋放時，就是閾值下降了。一般說來，剛剛完成某一行為後，動物對這一行為的要求就會大大下降。例如剛交過尾的動物，對於性刺激或是沒有反應或是反應很弱，這就意味著釋放性行為的閾值增加了。類似情況在覓食行為和其他行為中也很常見。另一方面，長時間未發生的行為非常容易被釋放，釋放這種行為的刺激強度會變得非常小。在極端情況下，閾值的降低可以導致行為的自發產生，這就是空放行為(vacuum behavior)。空放行為是一種無刺激行為釋放，是達不到該種行為目的的一種行為。最令人信服的實例是織巢鳥的築巢行為。飼養在鳥籠中的織巢鳥，在得不到任何築巢材料和代用物的情況下，也完全可以表現出築巢動作，雖然這種動作達不到它本來的目的。
閾值又叫臨界值，是指一個效應能夠產生的最低值或最高值。
③ 基於閾值的圖像分割方法有哪些
主要是三類
1) 基於點的全局閾值方法；
2) 基於區域的全局閾值方法
3) 局部閾值方法和多閾值方法
1）基於點的全局閾值方法
p-分位數法
1962年Doyle提出的p-分位數法是最古老的一種閾值選取方法
迭代方法選取閾值
初始閾值選取為圖像的平均灰度T0，然後用T0將圖像的象素點分作兩部分，計算兩部分各自的平均灰度，小於T0的部分為TA，大於T0的部分為TB，將T1 作為新的全局閾值代替T0，重復以上過程，如此迭代，直至TK 收斂
直方圖凹面分析法
最大類間方差法
熵方法
最小誤差閾值
矩量保持法
模糊集方法
2) 基於區域的全局閾值方法
二維熵閾值分割方法
簡單統計法
直方圖變化法
鬆弛法
3) 局部閾值方法和多閾值方法
局部閾值（動態閾值）
閾值插值法
水線閾值演算法
多閾值法 基於小波的多域值方法 基於邊界點的遞歸多域值方法 均衡對比度遞歸多域值方法
④ 傳統的圖像分割方法有哪些
1.基於閾值的分割方法
灰度閾值分割法是一種最常用的並行區域技術，它是圖像分割中應用數量最多的一類。閾值分割方法實際上是輸入圖像f到輸出圖像g的變化
其中，T為閾值；對於物體的圖像元素，g(i,j)=1，對於背景的圖像元素，g(i,j)=0。
由此可見，閾值分割演算法的關鍵是確定閾值，如果能確定一個適合的閾值就可准確地將圖像分割開來。閾值確定後，閾值與像素點的灰度值比較和像素分割可對各像素並行地進行，分割的結果直接給出圖像區域。
閾值分割的優點是計算簡單、運算效率較高、速度快。在重視運算效率的應用場合（如用於軟體實現），它得到了廣泛應用。
2.基於區域的分割方法
區域生長和分裂合並法是兩種典型的串列區域技術，其分割過程後續步驟的處理要根據前面步驟的結果進行判斷而確定。
(1)區域生長
區域生長的基本思想是將具有相似性質的像素集合起來構成區域。具體先對每個需要分割的區域找一個種子像素作為生長的起點，然後將種子像素周圍鄰域中與種子像素有相同或相似性質的像素（根據某種事先確定的生長或相似准則來判定）合並到種子像素所在的區域中。將這些新像素當作新的種子像素繼續進行上面的過程，直到再沒有滿足條件的像素可被包括進來。這樣一個區域就長成了。
(2)區域分裂合並
區域生長是從某個或者某些像素點出發，最後得到整個區域，進而實現目標提取。分裂合並差不多是區域生長的逆過程：從整個圖像出發，不斷分裂得到各個子區域，然後再把前景區域合並，實現目標提取。分裂合並的假設是對於一幅圖像，前景區域是由一些相互連通的像素組成的，因此，如果把一幅圖像分裂到像素級，那麼就可以判定該像素是否為前景像素。當所有像素點或者子區域完成判斷以後，把前景區域或者像素合並就可得到前景目標。
3.基於邊緣的分割方法
基於邊緣的分割方法是指通過邊緣檢測，即檢測灰度級或者結構具有突變的地方，確定一個區域的終結，即另一個區域開始的地方。不同的圖像灰度不同，邊界處一般有明顯的邊緣，利用此特徵可以分割圖像。
4.基於特定理論的分割方法
圖像分割至今尚無通用的自身理論。隨著各學科新理論和新方法的提出，出現了與一些特定理論、方法相結合的圖像分割方法，主要有：基於聚類分析的圖像分割方法、基於模糊集理論的分割方法等。
5.基於基因編碼的分割方法
基於基因編碼的分割方法是指把圖像背景和目標像素用不同的基因編碼表示，通過區域性的劃分，把圖像背景和目標分離出來的方法。該方法具有處理速度快的優點，但演算法實現起來比較難。
6.基於小波變換的分割方法
小波變換是近年來得到廣泛應用的數學工具，它在時域和頻域都具有良好的局部化性質，並且小波變換具有多尺度特性，能夠在不同尺度上對信號進行分析，因此在圖像處理和分析等許多方面得到應用。
基於小波變換的閾值圖像分割方法的基本思想是首先由二進小波變換將圖像的直方圖分解為不同層次的小波系數，然後依據給定的分割准則和小波系數選擇閾值門限，最後利用閾值標出圖像分割的區域。整個分割過程是從粗到細，由尺度變化來控制，即起始分割由粗略的L2(R)子空間上投影的直方圖來實現，如果分割不理想，則利用直方圖在精細的子空間上的小波系數逐步細化圖像分割。分割演算法的計算會與圖像尺寸大小呈線性變化。
7.基於神經網路的分割方法
近年來，人工神經網路識別技術已經引起了廣泛的關注，並應用於圖像分割。基於神經網路的分割方法的基本思想是通過訓練多層感知機來得到線性決策函數，然後用決策函數對像素進行分類來達到分割的目的。這種方法需要大量的訓練數據。神經網路存在巨量的連接，容易引入空間信息，能較好地解決圖像中的雜訊和不均勻問題。選擇何種網路結構是這種方法要解決的主要問題。
⑤ 閾值分割的OTSU演算法
OTSU演算法又叫最大類間方差閾值分割演算法，也叫大津演算法（大津展之 Ōtsu Nobuyuki），主要用於一些簡單的閾值確定。
對於下面這張灰度圖片：
我們想讓這些物體（前景）和背景區分更明顯一些，比如讓物體為純黑，背景全白。那麼我們就需要找到一個合適的閾值，使圖片上灰度值大於這個閾值的像素點為255（白色），灰度值小於閾值的像素點為0（黑色）。也就是變成下面這幅圖：
怎樣確定這個閾值呢？OTSU演算法說，我們可以求出用這個閾值分割後的兩個圖像對應pixel的類間方差。對於每一個可能的閾值，我們計算並取出類間方差最大的那個像素pixel值，此時這個值就可以較好的對圖像進行分割。
對應直方圖如下：
1、將灰度值區間為[0,m]，對於[0,m]間的每一個灰度t，將它作為閾值將圖像分割為灰度為[0,t]以及[t+1,m]兩部分。
2、計算每一部分的所佔比例 , ，每一部分的平均灰度值 , ，以及總的平均灰度值 。
3、計算他們的類間方差:
4、取出類間方差最大時對應的閾值t，這就可以作為我們最終所取的閾值。
小夥伴們如果覺得文章還行的請點個贊呦！！同時覺得文章哪裡有問題的可以評論一下 謝謝你！
⑥ 最佳閥值分割 編程實現otsu最佳全局閥值演算法
a=imread('YuChu.bmp');
如果讀入的是彩色圖，需要用a=rgb2gray(a);轉換為灰度圖
加了這句我運行了下，程序沒出現錯誤也能出圖
另外matlab圖像處理工具箱中用level = graythresh(I)函數去閾值，其方法與你的方法一致，都是Otsu方法
補充：
你看看a讀入時數據的大小，要是3維的話就是RGB圖像了，需要轉一下
另外是程序錯誤還是結果不對？