学习DIP第54天 转载请标明本文出处： ，出于尊重文章作者的劳动，转载请标明出处！文章代码已托管，欢迎共同开发：https://github.com/Tony-Tan/DIPpro
开篇废话
废话开始，本来打算昨天写这篇，半路被几个孙子（大学室友）拉去打Dota，结果输了一晚上，暴雪出的魔兽争霸和魔兽世界可谓游戏中的经典，，一个是完美的游戏逻辑设计，其次是游戏画面，然后就有了各路模仿者，有感而发–做面向用户的应用程序，在满足软件基本要求的基础上，完美的逻辑设计和优秀的人机交互将能使软件经久不衰。
迭代均值算法
下面开始介绍迭代均值，迭代均值的基本算法如下
迭代上面步骤2和步骤3，直到
收敛条件是迭代后阈值变化小于一个收敛控制条件，这个条件决定阈值收敛的精确度，当设置过小，迭代次数增加，准确度提高。 其次是初始化阈值的选择，选择的阈值必须左右都有像素，尽量选择靠近中间的像素，这样可以有效的减少迭代次数。在代码中我使用的初始化阈值是，找出像素最大值和最小值，然后计算出他们的平均值。
代码
此算法比较简单，上代码：
/*//*///迭代法求阈值，初始化一个阈值//将直方图分为两部分//求出两部分的均值//这两个均值的均值为新的阈值，迭代这些步骤//deta_t 精确度，当迭代n次以后阈值tn与第n-1次迭代结果tn-1相差小于deta_t时，迭代停止。void IterativeThreshold(double *src,double *dst,double deta_t,int width,int height,int type){}/*//*/结果与分析
观察运行结果： 未加噪声的图像，仅有两个灰度值：
直方图：
加入1%的高斯噪声：
直方图：
加入3%的高斯噪声：
直方图：
加入5%的高斯噪声：
直方图：
加入7%的高斯噪声：
直方图：
加入9%的高斯噪声：
直方图：
加入11%的高斯噪声：
直方图：
lena图测试结果：
直方图：
baboon图测试结果：
直方图：
结论
迭代均值能够以较小的计算代价得出相对准确的阈值，只需要输入一个控制精度的参数，所以属于相对自动的算法（与p-tile相比），但与前面提到的一样，算法受到目标大小的影响，当目标和背景的面积相对大小相近的时候算法计算效果较好，当目标比背景大很多的时候，算法基本没有效果，背景比目标大很多的时候同样失效（观察直方图面积可以大概观察出目标与背景的比例）。 另一个问题就是噪声影响，观察上面11%的结果，其受到噪声和目标大小的双重影响：
所以效果不理想。 待续。。。
没有口水与汗水，就没有成功的泪水。
