1.一种用于眼底血管图像聚类分割的近似骨架蛙群编号方法，其特征在于，包括以下步骤：步骤1、将糖尿病性眼底血管图像进行预处理，转化为向量形式的眼底血管图像数据集，采用中值滤波方法去除血管图像中椒盐噪声，并利用灰度值去除血管图像背景点；

步骤2、对筛选后的眼底血管图像数据集，设X为用于病变眼底血管图像切割的聚类中心，构造X的适用度函数如下：公式(1)中，E为K-means算法对血管图像数据集D＝{x1，x2，...，xm}进行聚类所得血管图像数据簇C＝{C1，C2，...，Ck}的平方误差的和，μi为血管图像数据簇Ci的均值向量，其值为k为聚类中心个数；以上述适用度函数f(X)最小为目标采用基于混合蛙跳的K-means算法，对血管图像数据集进行聚类操作，获得多组用于眼底血管病变图像切割的聚类中心；

步骤3、利用用于眼底血管病变图像切割的聚类中心，对眼底血管图像数据集中各数据点按归属的数据簇进行编号，获得最初的眼底血管图像数据编号集；

步骤4、对眼底血管图像数据编号集，依据适应度f(X)进行排序，取适用度最高的编号组为μg，最低的为μl，将眼底图像数据编号集分组，对部分编号组取近似骨架，以近似骨架为基础，按照概率给其余眼底图像数据编号分配新的图像数据编号，完成更新，重复上述对眼底血管图像数据编号集的操作，直至达到组内最大迭代次数；然后合并各眼底血管图像数据编号集，重新依据适用度f(X)排序，同时更新μg和μl，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数；

步骤5、利用获得的最优数据编号组，对数据编号相同的眼底血管图像数据求均值向量，按照均值向量的模对各编号进行排序，对前n个编号，使用第n+1的均值向量，取代原来的图像数据点；其余编号使用对应编号的均值向量取代相应血管图像数据点，完成对眼底血管图像的切割过程。

2.根据权利要求1所述的用于眼底血管图像聚类分割的近似骨架蛙群编号方法，其特征在于，所述步骤2的具体步骤如下：步骤2.1、在眼底血管图像数据集D＝{d1，d2，...，dN}中随机选取k个血管图像数据点作为经典混合蛙跳算法中第i个青蛙μi值， N为图像数据点的个数，k为聚类中心个数，λi为随机选取的血管图像数据点下标，λi∈{1，2，...，N}，若i≠j则λi≠λj，生成混合蛙跳算法用于进化的N只初始蛙群；

步骤2.2、将蛙群内所有眼底血管图像聚类中心组，按适用度值f(X)排序，将适应度值最高的眼底血管图像聚类中心组记为μg，并将整个蛙群体划为m组，其中每组包含n只青蛙，满足关系n＝N/m；

步骤2.3、对每一个分组，取适应值最高的眼底血管图像聚类中心组个体记为μb，取适应度最低的为μw，计算μb与μw各特征的距离 依据最近距离原则，确定μw各特征的更新对象标记λi＝arg minj∈{1，2，...，k}dij；

步骤2.4、计算新的蛙个体 k为聚类中心个数，

为：

其中，rand为[0，1]的均匀分布的随机数，Dm为允许的最大移动距离；

步骤2.5、判断f(μnew)和f(μw)关系，如果满足f(μnew)＞f(μw)，则用μnew替换μw，更新最差的眼底血管图像聚类中心组并重新排序；否则，用μg取代μb获得μnew；

步骤2.6、采取下列策略进一步提升适用度：当迭代次数小于 时，从血管图像数据集D中随机选取k个眼底血管图像数据点作为μnew并取代μw；当迭代次数大于等于时，在样本空间内随机产生k个向量作为μnew并取代μw，然后重新排序，重复更新直至到达最大内部迭代次数 合并各眼底血管图像聚类中心组，重新依据适用度f(X)排序，同时更新μg，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数。

3.根据权利要求1所述的用于眼底血管图像聚类分割的近似骨架蛙群编号方法，其特征在于，所述步骤4的具体步骤如下：步骤4.1、对眼底血管图像数据编号集依据适应度进行排序，取适用度最高的编号组为μg，最低的为μl；

步骤4.2、对各组眼底血管图像编号集，取适应度值最高的编号组记为μb，取适应度最低的为μw；

步骤4.3、对μb，μw和μg形成近似骨架簇Bi，满足|Bi|≥2且选取任意x，y∈Bi，步骤4.4、计算新的蛙个体μnew，依据μb，选出各编号中最大骨架簇所包含的血管图像数据点，保留它们的簇号，对于其他血管图像数据点，依照该点在μb获得的簇号，按照概率，

60％保留此簇号，30％随机分配一个簇号，10％使它与μw中同簇号的图像数据点再次划入统一簇号；

步骤4.5、判断f(μnew)和f(μw)关系，如果满足f(μnew)＞f(μw)，则用μnew替换μw，更新最差青蛙个体，重新排序；否则，用μg和μl两者取近似骨架，按上述规则获得μnew，若适用度得到提高，用μnew替换μw，重新排序；

步骤4.6、采取下列策略进一步提升适用度：运行基于混合蛙跳的改进K-means算法，获得近似解，重新为各点标簇号，替换μw，然后重新排序。重复更新直至到达最大内部迭代次数 然后合并各眼底血管图像数据编号集，重新依据适用度f(X)排序并更新μg和μl后，再次开展下一轮分组，并重复上述操作直至到达组外最大迭代次数。