1.一种基于超像素以及多超图融合的图像分割方法，其特征在于包括如下步骤：步骤1，对待分割进行超像素分割；

步骤2，对各超像素块进行多种特征提取；

步骤3，对多特征中的每一个特征进行基于超像素块的超图构建：步骤4，从随机游走的角度融合多个超图的信息构建多超图拉普拉斯矩阵；

步骤5，构建基于多超图拉普拉斯矩阵的谱聚类模型并求解：基于得到的多超图拉普拉斯矩阵构造谱聚类模型，使用交叉迭代法进行求解。

2.如权利要求1所述的一种基于超像素以及多超图融合的图像分割方法，其特征在于：所述步骤1中，运用SLIC模型对待分割进行超像素分割。

3.如权利要求1所述的一种基于超像素以及多超图融合的图像分割方法，其特征在于：所述步骤2中，提取的特征包含颜色、梯度和纹理。

4.如权利要求1所述的一种基于超像素以及多超图融合的图像分割方法，其特征在于：所述步骤3中，采用INH模型进行超图构建，将每一个超像素块看成是图的顶点，用超像素块之间的相似性作为顶点之间边的权重。

5.如权利要求1所述的一种基于超像素以及多超图融合的图像分割方法，其特征在于：所述步骤4中，超图构建部分包括以下步骤：步骤41，以P表示超图随机游走的转移概率矩阵，P的每一个元素表达如下：其中，ω(e)为超边e的权重，h(u,e)＝1表示顶点u在超边e上，h(u,e)＝0表示顶点u不在超边e上，h(v,e)＝1表示顶点v在超边e上，h(v,e)＝0表示顶点v不在超边e上，d(u)为顶点u的度，δ(e)为超边e的度；

顶点u和顶点v随机游走的稳态分布分别表达如下：其中，d(u)为顶点u的度，d(v)为顶点v的度，vol(V)为V中包含的顶点的度，V为超图中的顶点集合；

从随机游走的角度解释多超图分割，βi(u)为第i个超图的权重系数，α用来平衡各超图之间的权重：其中，π1(u)、π2(u)分别表示第1、2个超图中顶点u随机游走的稳态分布；

各超像素之间的转移概率矩阵表达为：p(u,v)＝β1(u)p1(u,v)+β2(u)p2(u,v)其中，p1(u,v)、p2(u,v)分别表示第1、2个超图的元素；

顶点v的稳态分布表达为：

π(v)＝απ1(v)+(1-α)π2(v)步骤42，将上述方法推广到多个超图上：其中，Πi表示第i个超图稳态分布的矩阵格式，αi表示第i个超图的权重，Pi表示第i个超图随机游走的转移概率矩阵，N表示超图的个数；

得到多超图融合之后的拉普拉斯矩阵：其中，上标T表示转置矩阵。

6.如权利要求1所述的一种基于超像素以及多超图融合的图像分割方法，其特征在于：所述步骤5的具体内容是：

步骤51，谱聚类的基本模型表达如下：s.t.XTX＝I

其中，Tr表示矩阵的迹，X表示超像素集合，D表示对角阵，L表示拉普拉斯矩阵；

基于多超图拉普拉斯矩阵的谱聚类模型表达如下：XTX＝I

其中，Tr表示矩阵的迹，N表示超图的个数，αi表示第i个超图的权重，Π表示稳态分布的矩阵格式，Pi表示第i个超图随机游走的转移概率矩阵，λ表示平衡因子；

步骤52，运用交叉迭代的方法求解，首先固定α，更新X：s.t.XTX＝I

步骤53，固定X，更新α：

T

这里Mi＝X(ΠiPi)X.，该优化模型求解得到：得到X∈Rn×k，X是由k个列向量组成的矩阵，将n个行向量看作n个不同的样本，也代表着n个超像素块，对这些样本进行k-means聚类，最终对超像素块进行划分，得到最终的分割结果。