1.一种基于萤火虫优化的半监督谱聚类彩色图像分割方法，其特征在于，包括以下步骤：

步骤一、输入待分割的彩色图像I；

步骤二、用户给定图像中部分像素的标签信息，提取这部分像素的RGB彩色空间信息，将其标签信息中的类别作为待分割图像的标准标签label，并遍历待分割的彩色图像I中所有的像素，获得像素彩色信息统计表；

步骤三、在人眼视觉差范围内，初始化萤火虫种群；

将阈值差X作为生成萤火虫算法的初始种群个体，萤火虫个体xi,xj之间的吸引力大小为 其中，β0为初始吸引力，设为1；γ为收敛因子，在范围[0.1,10]内取值，dij＝||xi-xj||；当d＝0时，得到的是萤火虫之间的初始吸引力，阈值间的相互作用相同；

步骤四、获取代表像素矩阵；

步骤五、计算代表像素矩阵Key_pixel中每个像素的相似性；

步骤六、获取谱聚类的聚类结果以及未优化的分割结果；

步骤七、结合每个阈值差X和特征向量组合下对整体的划分，以及待分割图像的标准标签label，对整体划分中按照索引值id找到划分的临时类标矩阵temp_label，计算出该阈值差X下的准确率，阈值差为吸引力高的萤火虫个体，其他个体根据个体更新公式xj(t+1)＝xj(t)+(t_max-t)*(βij(rij)[xi(t)-xj(t)]+αεj)向吸引力高的个体移动，式中的t是迭代次数，t_max是最大迭代次数；

步骤八、在萤火虫的最大迭代范围内，重复步骤三至步骤七，找出准确率最好时对应的阈值差X和特征向量组合，或当统计出的监督信息准确率基本不变的情况下，作为最优选择，使用这个最优选择对彩色图像I的像素进行谱聚类划分，获得最后的彩色图像分割I'。

2.根据权利要求1所述基于萤火虫优化的半监督谱聚类彩色图像分割方法，其特征在于：所述的步骤四在每个萤火虫对应的阈值下，根据像素彩色信息统计表，依次计算每个像素与表中标记为0的所有像素之间的欧氏距离，与人眼能够区分颜色的差值进行比较，标记类别；

直到所有像素都在视觉阈值下有了自己的标记，每类标记的第一个像素组成下一步进行谱聚类相似性构造的代表像素矩阵：Key_pixel(r,g,b)，矩阵规模为Kkn3；

若Ki(r,g,b)代表Key_pixel(r,g,b)中第i个像素，以Ki(r,g,b)为中心，在像素彩色信息统计表中寻找与Ki的rgb三维差距同时在±d范围内的彩色带集合，记作Z(Ki,d)，集合规模为

3.根据权利要求2所述基于萤火虫优化的半监督谱聚类彩色图像分割方法，其特征在于：所述的步骤四中人眼能够区分颜色差值的欧氏距离在[16.89,50.66]区间内。

4.根据权利要求1所述基于萤火虫优化的半监督谱聚类彩色图像分割方法，其特征在于，步骤五从Key_pixel矩阵中像素的相关性出发计算代表像素的连通性C(Z)和一致性Ψ(Z)。

5.根据权利要求4所述基于萤火虫优化的半监督谱聚类彩色图像分割方法，其特征在于：

通过下式计算任意一个代表像素Ki的连通性：

其中：L(Kiii)表示以Z(Ki,d)中各元素为中心元素构成的空间l*l的空间邻域像素集合，|Z(Ki,d)∩L(Kiii)|表示在空间l*l邻域像素集L(Kiii)同时属于集合Z(Ki,d)像素的个数，连通性的取值范围为0～1，值越接近0表示像素是同一个彩色带信息分布在彩色图像平面上越散，值越接近1表示同一个彩色带信息上的像素在周围邻域分布的越紧密。

6.根据权利要求4所述基于萤火虫优化的半监督谱聚类彩色图像分割方法，其特征在于：

像素的一致性由彩色带像素的全局散度性βall(Z)和局部散度性βpart(Z)的比值确定：

其中，

Kia是Key_pixel(r,g,b)中第i个元素的第a维，Ave(Za)是集合Z(Ki,d)中所有像素的第a维的均值，当βall(Z)≠0时成立，比值范围为0～1；当比值接近1时表示代表像素邻域内的像素都同属一个彩色带，整体分布情况与邻域分布近似，当比值接近0时表示代表像素周围像素分布在多个彩色带，同属于这个代表像素的其他彩色像素在整体上呈现的分布情况不集中；像素的颜色空间与邻域空间信息共同定义了代表像素的相关性函数Φ(Z)＝C(Z)*Ψ(Z)，两个像素间的相似性为 这里Z(Ki,Kj)是从Key_pixel(r,g,b)集合中从Ki至Kj所有代表像素组成的集合，求此集合中最小Φ值的作为其相似性，若两个像素Ki(r,g,b)与Kj(r,g,b)之间的相似性很高，代表两个像素在标准图中划分为同一类的概率很大；

通过S＝{SKi,Kj}Ki,Kj∈Key_pixel(r,g,b)获得相似性矩阵S，使对角元素全部设为0，定义对角矩阵用字母D表示，计算拉普拉斯矩阵L＝D-1/2SD-1/2，获得规范化相似性矩阵。

7.根据权利要求1所述基于萤火虫优化的半监督谱聚类彩色图像分割方法，其特征在于：步骤六首先在拉普拉斯矩阵中获得特征值，从大到小排序，进行标号，随机对特征向量进行组合，若对应于特征值1＝λ1≥λ2≥...≥λk的特征向量为V＝[v1,v2,...vk]，随机组合为[v1,v2,v3]或者[v2,v3]，使用组合的特征向量进行归一化 得到归一化矩阵Y，将Y矩阵的每一行都看成是Rk空间的一个点，使用k均值聚类算法将其聚成k类；然后在遍历图像I后，像素彩色信息统计表中的元素被标记，将步骤五获得的的Key_pixel代表像素点聚类结果更新至像素彩色信息统计表，这样图像中的全部像素都被划分好类标label_K。