1.基于局部熵的水平集图像分割方法，其特征在于，包括以下步骤：步骤1：选取原始图像；

步骤2：计算原始图像的局部熵，得到预处理图像，对预处理图像进行阈值化处理得到所述预处理图像的粗分割，所得的结果作为初始的水平集轮廓；

步骤3：利用局部熵结合LBF模型构造图像分割能量泛函，将图像分割能量泛函与LCV模型线性组合得到基于局部熵的全局和局部的活动轮廓模型，进而得到演化方程；

步骤4：利用Hermite微分算子求解演化方程，对粗分割图像进行精细分割。

2.如权利要求1所述的基于局部熵的水平集图像分割方法，其特征在于，所述粗分割的步骤为：步骤1：以每个像素i为中心的邻域为9×9，计算原始图像的局部熵矩阵E；

步骤2：检测局部熵矩阵E的左上角和右上角的晕动，然后去除所述晕动使E(i)＝C在渐晕区域内渐晕，其中C为常数；

步骤3：将局部熵矩阵E转换为灰度图像，生成局部熵图像Eim，其中值E(i)在0和255之间进行线性变换；

步骤4：利用OTSU阈值法对局部熵图像Eim进行分割，得到粗分割结果。

3.如权利要求1所述的基于局部熵的水平集图像分割方法，其特征在于，所述精细分割的步骤为：步骤1：利用粗分割结果得到初始化轮廓，并以所述初始化轮廓作为水平集函数φ；

步骤2：初始化水平集演化方程中的各个参数，所述参数为σ、r、Δt、ε、μ和υ；所述水平集演化方程为：式中：

其中，σ为核函数的标准差；r为熵函数的窗口大小；Δt为分割时间；ω为权重，0≤ω≤

1；δ为Dirac函数；ε为δ的正则化参数；μ＝λ×2552，λ∈[0,1]；υ为正的加权常数；Kσ为高斯核函数；Er为局部熵；λ1和λ2是取值为正的常数；c1和c2分别为演变曲线内外的原始图像区域的平均灰度值；gk表示用于局部信息检测的平均卷积核，k表示窗口大小，用于控制局部项对噪声的敏感性控制；I为待分割图像；d1,d2表示原图像与卷积图像运算后曲线C内部与外部的灰度值；

步骤3：在步骤2的基础上，根据水平集演化方程演化水平集函数φ；

步骤4：分析水平集函数φ的演化过程，如果水平集函数φ的演化差异小于给定阈值，则演化终止，提取函数φ(x)的零水平集作为最终的分割结果，并输出得到分割图像；反之，则返回步骤3继续对水平集函数φ进行演化。