① rgb色彩模式中r的值的大小是如何定义的
的算法描述。
步骤1：把RGB值转成中数值。
步骤2：找出R,G和B中的最大值。
步骤3：设L＝(maxcolor + mincolor)/2
步骤4：如果最大和最小的颜色值相同，即表示灰色，那么S定义为0，而H未定义并在程序中通常写成0。
步骤5：否则，测试L：
If L<0.5, S=(maxcolor-mincolor)/(maxcolor + mincolor)
If L>=0.5, S=(maxcolor-mincolor)/(2.0-maxcolor-mincolor)
步骤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)
步骤7：从第6步的计算看，H分成0～6区域。RGB颜色空间是一个立方体而HSL颜色空间是两个六角形锥体，其中的L是RGB立方体的主对角线。因此，RGB立方体的顶点：红、黄、绿、青、蓝和品红就成为HSL六角形的顶点，而数值0～6就告诉我们H在哪个部分。H＝H*60.0,如果H为负值，则加360。
② 自适应阈值阈值图像分割算法中，自适应阈值怎么设定
根据灰度、梯度、形态等来设定自适应阈值。
设定过程：设置→参数→选择（灰度、梯度、形态）→输入数值→计算阈值→搞定。
阈值又叫临界值，是指一个效应能够产生的最低值或最高值。
阈值又称阈强度，是指释放一个行为反应所需要的最小刺激强度。低于阈值的刺激不能导致行为释放。在反射活动中，阈值的大小是固定不变的，在复杂行为中，阈值则受各种环境条件和动物生理状况的影响。当一种行为更难于释放时，就是阈值提高了;当一种行为更容易释放时，就是阈值下降了。一般说来，刚刚完成某一行为后，动物对这一行为的要求就会大大下降。例如刚交过尾的动物，对于性刺激或是没有反应或是反应很弱，这就意味着释放性行为的阈值增加了。类似情况在觅食行为和其他行为中也很常见。另一方面，长时间未发生的行为非常容易被释放，释放这种行为的刺激强度会变得非常小。在极端情况下，阈值的降低可以导致行为的自发产生，这就是空放行为(vacuum behavior)。空放行为是一种无刺激行为释放，是达不到该种行为目的的一种行为。最令人信服的实例是织巢鸟的筑巢行为。饲养在鸟笼中的织巢鸟，在得不到任何筑巢材料和代用物的情况下，也完全可以表现出筑巢动作，虽然这种动作达不到它本来的目的。
阈值又叫临界值，是指一个效应能够产生的最低值或最高值。
③ 基于阈值的图像分割方法有哪些
主要是三类
1) 基于点的全局阈值方法；
2) 基于区域的全局阈值方法
3) 局部阈值方法和多阈值方法
1）基于点的全局阈值方法
p-分位数法
1962年Doyle提出的p-分位数法是最古老的一种阈值选取方法
迭代方法选取阈值
初始阈值选取为图像的平均灰度T0，然后用T0将图像的象素点分作两部分，计算两部分各自的平均灰度，小于T0的部分为TA，大于T0的部分为TB，将T1 作为新的全局阈值代替T0，重复以上过程，如此迭代，直至TK 收敛
直方图凹面分析法
最大类间方差法
熵方法
最小误差阈值
矩量保持法
模糊集方法
2) 基于区域的全局阈值方法
二维熵阈值分割方法
简单统计法
直方图变化法
松弛法
3) 局部阈值方法和多阈值方法
局部阈值（动态阈值）
阈值插值法
水线阈值算法
多阈值法 基于小波的多域值方法 基于边界点的递归多域值方法 均衡对比度递归多域值方法
④ 传统的图像分割方法有哪些
1.基于阈值的分割方法
灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的变化
其中，T为阈值；对于物体的图像元素，g(i,j)=1，对于背景的图像元素，g(i,j)=0。
由此可见，阈值分割算法的关键是确定阈值，如果能确定一个适合的阈值就可准确地将图像分割开来。阈值确定后，阈值与像素点的灰度值比较和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。
阈值分割的优点是计算简单、运算效率较高、速度快。在重视运算效率的应用场合（如用于软件实现），它得到了广泛应用。
2.基于区域的分割方法
区域生长和分裂合并法是两种典型的串行区域技术，其分割过程后续步骤的处理要根据前面步骤的结果进行判断而确定。
(1)区域生长
区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当作新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来。这样一个区域就长成了。
(2)区域分裂合并
区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标提取。分裂合并差不多是区域生长的逆过程：从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。分裂合并的假设是对于一幅图像，前景区域是由一些相互连通的像素组成的，因此，如果把一幅图像分裂到像素级，那么就可以判定该像素是否为前景像素。当所有像素点或者子区域完成判断以后，把前景区域或者像素合并就可得到前景目标。
3.基于边缘的分割方法
基于边缘的分割方法是指通过边缘检测，即检测灰度级或者结构具有突变的地方，确定一个区域的终结，即另一个区域开始的地方。不同的图像灰度不同，边界处一般有明显的边缘，利用此特征可以分割图像。
4.基于特定理论的分割方法
图像分割至今尚无通用的自身理论。随着各学科新理论和新方法的提出，出现了与一些特定理论、方法相结合的图像分割方法，主要有：基于聚类分析的图像分割方法、基于模糊集理论的分割方法等。
5.基于基因编码的分割方法
基于基因编码的分割方法是指把图像背景和目标像素用不同的基因编码表示，通过区域性的划分，把图像背景和目标分离出来的方法。该方法具有处理速度快的优点，但算法实现起来比较难。
6.基于小波变换的分割方法
小波变换是近年来得到广泛应用的数学工具，它在时域和频域都具有良好的局部化性质，并且小波变换具有多尺度特性，能够在不同尺度上对信号进行分析，因此在图像处理和分析等许多方面得到应用。
基于小波变换的阈值图像分割方法的基本思想是首先由二进小波变换将图像的直方图分解为不同层次的小波系数，然后依据给定的分割准则和小波系数选择阈值门限，最后利用阈值标出图像分割的区域。整个分割过程是从粗到细，由尺度变化来控制，即起始分割由粗略的L2(R)子空间上投影的直方图来实现，如果分割不理想，则利用直方图在精细的子空间上的小波系数逐步细化图像分割。分割算法的计算会与图像尺寸大小呈线性变化。
7.基于神经网络的分割方法
近年来，人工神经网络识别技术已经引起了广泛的关注，并应用于图像分割。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数，然后用决策函数对像素进行分类来达到分割的目的。这种方法需要大量的训练数据。神经网络存在巨量的连接，容易引入空间信息，能较好地解决图像中的噪声和不均匀问题。选择何种网络结构是这种方法要解决的主要问题。
⑤ 阈值分割的OTSU算法
OTSU算法又叫最大类间方差阈值分割算法，也叫大津算法（大津展之 Ōtsu Nobuyuki），主要用于一些简单的阈值确定。
对于下面这张灰度图片：
我们想让这些物体（前景）和背景区分更明显一些，比如让物体为纯黑，背景全白。那么我们就需要找到一个合适的阈值，使图片上灰度值大于这个阈值的像素点为255（白色），灰度值小于阈值的像素点为0（黑色）。也就是变成下面这幅图：
怎样确定这个阈值呢？OTSU算法说，我们可以求出用这个阈值分割后的两个图像对应pixel的类间方差。对于每一个可能的阈值，我们计算并取出类间方差最大的那个像素pixel值，此时这个值就可以较好的对图像进行分割。
对应直方图如下：
1、将灰度值区间为[0,m]，对于[0,m]间的每一个灰度t，将它作为阈值将图像分割为灰度为[0,t]以及[t+1,m]两部分。
2、计算每一部分的所占比例 , ，每一部分的平均灰度值 , ，以及总的平均灰度值 。
3、计算他们的类间方差:
4、取出类间方差最大时对应的阈值t，这就可以作为我们最终所取的阈值。
小伙伴们如果觉得文章还行的请点个赞呦！！同时觉得文章哪里有问题的可以评论一下 谢谢你！
⑥ 最佳阀值分割 编程实现otsu最佳全局阀值算法
a=imread('YuChu.bmp');
如果读入的是彩色图，需要用a=rgb2gray(a);转换为灰度图
加了这句我运行了下，程序没出现错误也能出图
另外matlab图像处理工具箱中用level = graythresh(I)函数去阈值，其方法与你的方法一致，都是Otsu方法
补充：
你看看a读入时数据的大小，要是3维的话就是RGB图像了，需要转一下
另外是程序错误还是结果不对？