在图像处理领域，阈值分割是最基础且常用的图像分割方法之一，其核心是通过设定一个灰度阈值，将图像像素划分为目标区域和背景区域。而 ISODATA 迭代阈值分割作为一种自适应阈值确定方法，无需人工手动设定阈值，通过迭代优化实现阈值的自动求解，兼顾了分割精度与操作便捷性，广泛应用于工业检测、医学影像分析、遥感图像处理等场景。本文将详细讲解 ISODATA 迭代阈值分割的核心原理，并分别提供 MATLAB 和 Python 的完整代码实现，帮助大家快速掌握该方法的应用。

ISODATA 阈值分割（也叫 Intermeans、Ridler–Calvard 迭代阈值法）
论文原始文献：T.W. Ridler, S. Calvard.Picture thresholding using an iterative selection method,IEEE Transactions on Systems, Man and Cybernetics, SMC-8, 1978, pp.630–632.

一、ISODATA 迭代阈值分割核心原理

ISODATA（Iterative Self-Organizing Data Analysis Technique，迭代自组织数据分析技术）迭代阈值分割的核心思想是：通过迭代计算不断优化阈值，使得分割后的目标区域和背景区域的灰度均值差异最大化，最终收敛到最优阈值。其核心逻辑可拆解为以下步骤，通俗易懂且易于理解：

1. 初始阈值设定

首先选取一个初始阈值 T₀，通常可采用图像灰度的最大值与最小值的平均值，或灰度直方图的峰值均值作为初始值，保证初始阈值能初步区分目标与背景。

2. 区域划分与均值计算

基于当前阈值 T，将图像所有像素划分为两类：

• 背景区域：灰度值≤T 的像素集合，计算其灰度均值 μ₁；

• 目标区域：灰度值＞T 的像素集合，计算其灰度均值 μ₂。

3. 阈值更新

根据两类区域的灰度均值，更新阈值为 T₁=(μ₁+μ₂)/2，即取两类均值的平均值作为新的阈值。

4. 迭代收敛判断

重复步骤2和步骤3，不断迭代更新阈值，直到相邻两次迭代的阈值差值小于预设的收敛阈值（如0.01），或达到最大迭代次数（避免无限循环）。此时的阈值即为最优分割阈值，用该阈值对图像进行二值化分割，即可得到最终的分割结果。

关键说明

ISODATA 迭代阈值分割的优势在于自适应能力强，无需人工干预阈值设定，且通过迭代优化能有效提升分割精度，尤其适用于目标与背景灰度差异较明显的图像。其核心本质是基于“类间方差最大化”的思想，通过迭代逼近最优阈值，与 Otsu 法（最大类间方差法）的核心逻辑一致，但 ISODATA 采用迭代方式逐步收敛，实现过程更直观。

二、实现流程及伪代码

迭代规则：

初始化阈值G（一般取合理最小值，也有实现取灰度均值）
循环：
L：所有灰度 < G 的像素平均灰度（背景均值）
H：所有灰度 > G 的像素平均灰度（前景/物体均值）
判断：
 
✅ 相等 → 收敛，退出，返回G
❌ 不相等 → 更新G

通俗理解：
不断把阈值调整为「前景均值与背景均值的中点」，直到阈值稳定不再变化。
目的：把图像分成两类：背景(≤G)、目标(>G)。

和Otsu区别：

• Otsu：最大化类间方差；
• IsoData(Ridler-Calvard)：迭代收敛到两类均值中点。

标准IsoData伪代码

function IsoData(hist):
    maxGray = hist数组长度-1
    // 初始阈值，很多实现取整体灰度均值
    G = initial_guess
    
    repeat
        sumL = 0, countL = 0
        sumH = 0, countH = 0
        for g = 0 to maxGray:
            if g < G:
                sumL += g * hist[g]
                countL += hist[g]
            else if g > G:
                sumH += g * hist[g]
                countH += hist[g]
        // 防止除0
        L = countL>0 ? sumL/countL : 0
        H = countH>0 ? sumH/countH : maxGray
        
        newG = (L + H) / 2.0
        if abs(newG - G) < 1e-3:
            break
        G = newG
    end repeat
    return round(G)

二、MATLAB 代码实现

MATLAB 自带丰富的图像处理工具箱，可便捷实现 ISODATA 迭代阈值分割。以下代码包含图像读取、阈值迭代计算、二值化分割及结果可视化，可直接复制运行。

1. 完整代码

% ISODATA 迭代阈值分割 MATLAB 实现
clear;clc;close all;

% 1. 读取图像
img = imread("test.png"); 
% 若为彩色图，转换为灰度图
if size(img,3) == 3
    img_gray = rgb2gray(img);
else
    img_gray = img;
end

% 2. ISODATA 迭代阈值计算
max_iter = 100; % 最大迭代次数
tol = 0.01; % 收敛阈值
% 初始阈值：灰度最大值与最小值的平均值
T = (max(img_gray(:)) + min(img_gray(:)))/2; 

for iter = 1:max_iter
    % 划分背景与目标区域
    background = img_gray <= T;
    target = img_gray > T;
    
    % 计算两类区域的灰度均值
    mu1 = mean(img_gray(background)); % 背景均值
    mu2 = mean(img_gray(target)); % 目标均值
    
    % 更新阈值
    T_new = (mu1 + mu2)/2;
    
    % 判断是否收敛
    if abs(T_new - T) < tol
        T = T_new;
        break;
    end
    T = T_new;
end

% 3. 二值化分割
img_seg = imbinarize(img_gray, T/255); % imbinarize 需归一化阈值（0-1范围）

% 4. 结果可视化
figure('Name','ISODATA 迭代阈值分割结果');
subplot(1,3,1);
imshow(img_gray);
title('原始灰度图像');
subplot(1,3,2);
imshow(img_seg);
title(['分割结果（阈值=',num2str(T),')']);
subplot(1,3,3);
imhist(img_gray);
hold on;
xline(T,'r--','LineWidth',1.5);
title('灰度直方图与最优阈值');
hold off;

三、Python 代码实现

• 图像读取与预处理：支持彩色图和灰度图，自动将彩色图转换为灰度图，适配后续阈值计算；

• 迭代阈值计算：设定最大迭代次数和收敛阈值，通过循环逐步优化阈值，避免无限迭代；

• 二值化分割：利用计算得到的最优阈值，对灰度图进行二值化处理，得到分割结果；

• 结果可视化：同时展示原始图像、分割结果及灰度直方图，直观呈现阈值选取效果。

1. 完整代码

# ISODATA 迭代阈值分割 Python 实现
import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib

# 指定默认字体为支持中文的字体，例如使用SimHei
matplotlib.rcParams['font.sans-serif'] = ['SimHei']  # 或者其他支持中文的字体，如 'Arial'
matplotlib.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号

# 1. 读取图像（替换为你的图像路径）
img = cv2.imread(r"test.png")
# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. ISODATA 迭代阈值计算
max_iter = 1000  # 最大迭代次数
tol = 0.1  # 收敛阈值
# 初始阈值：灰度最大值与最小值的平均值
T = np.mean(img_gray)

print(T)
for iter in range(max_iter):
    print(iter)
    # 划分背景与目标区域
    background = img_gray <= T
    target = img_gray > T

    # 计算两类区域的灰度均值
    mu1 = np.mean(img_gray[background])  # 背景均值
    mu2 = np.mean(img_gray[target])  # 目标均值

    # 更新阈值
    T_new = (mu1 + mu2) / 2

    # 判断是否收敛
    if abs(T_new - T) < tol:
        T = T_new
        break
    T = T_new
print(T)
# 3. 二值化分割
_, img_seg = cv2.threshold(img_gray, T, 255, cv2.THRESH_BINARY)

# 4. 结果可视化
plt.figure(figsize=(15, 5))
plt.subplot(131)
plt.imshow(img_gray, cmap='gray')
plt.title('原始灰度图像')
plt.axis('off')

plt.subplot(132)
plt.imshow(img_seg, cmap='gray')
plt.title(f'分割结果（阈值={T:.2f}）')
plt.axis('off')

plt.subplot(133)
plt.hist(img_gray.flatten(), bins=256, range=[0, 256], color='gray')
plt.axvline(T, color='red', linestyle='--', linewidth=1.5)
plt.title('灰度直方图与最优阈值')
plt.xlabel('灰度值')
plt.ylabel('像素数')

plt.tight_layout()
plt.show()

四、总结与注意事项

ISODATA 迭代阈值分割作为一种自适应阈值方法，核心优势在于无需人工设定阈值，通过迭代优化实现最优分割，适用于多数目标与背景灰度差异明显的图像场景。本文提供的 MATLAB 和 Python 代码均经过验证，可直接复制运行，只需替换图像路径即可适配自己的需求。

• 依赖库导入：使用 OpenCV 读取和处理图像，NumPy 进行数值计算，Matplotlib 实现结果可视化；

• 迭代逻辑：与 MATLAB 代码逻辑一致，通过迭代优化阈值，直至满足收敛条件；

• 二值化分割：利用 OpenCV 的 threshold 函数，基于最优阈值完成图像二值化；

• 可视化展示：通过 Matplotlib 绘制原始图像、分割结果及灰度直方图，清晰呈现分割效果。

注意事项

希望本文的原理讲解和代码实现，能帮助大家快速掌握 ISODATA 迭代阈值分割的应用。如果在代码运行过程中遇到问题，或需要适配特定场景的优化，欢迎在评论区交流讨论~

• 图像预处理：若图像存在噪声，建议先进行滤波去噪（如高斯滤波、中值滤波），再进行阈值分割，避免噪声影响阈值计算精度；

• 参数调整：若迭代未收敛，可适当增大最大迭代次数或放宽收敛阈值；若分割效果不佳，可调整初始阈值的选取方式，正常情况下可以采用均值；

• 适用场景：该方法更适用于单目标、背景简单的图像，对于多目标、灰度分布复杂的图像，可结合其他分割方法（如区域生长法）提升效果。