1.一种基于人工黏菌群体智能的图像分割方法，其特征在于，包括以下步骤：

步骤1，进行待分割图像的初始化；

步骤2，进行黏菌群体参数的初始化；

步骤3，黏菌群体扩张寻找图像分割区域；

步骤4，黏菌群体互相学习分割区域信息；

步骤5，更新黏菌群体信息；

步骤6，黏菌群体评估图像全局分割区域；

步骤7，输出黏菌群体对图像分割结果；

所述步骤2包括以下步骤：

子步骤2‑1，设置黏菌群体中单个黏菌的搜索半径为聚类半径r；设置已分割区域为空集S＝{}，设置非分割区域为空集S'＝{}；即黏菌群体尚未搜索任何像素点，整张图像均为未分割区域，尚未形成已分割区域或非分割区域；

子步骤2‑2，设置图像分割的求解误差为ε0；

子步骤2‑3，设置各个黏菌个体体内营养浓度置为0，即τij(0)＝0；图像分割看作是随机散步在原始图像的黏菌搜索食物源的过程，不同像素点具有不同的营养浓度，在分割区域上营养浓度差异大；

子步骤2‑4，设置黏菌群体内任意像素点Xi到Xj的距离初始化为Dij＝0；设置黏变形体数量为m；后续计算采用欧式距离计算： 其中，p为加权因子，其值根据像素三维向量Cj(V,G,Ne),j＝1,2…n对聚类的影响程度设定；

子步骤2‑5，设置黏菌群体查找分割区域的概率阈值P0；模拟自然界黏菌的概率搜索行为；

子步骤2‑6，设置黏菌群体营养物质量随时间的衰减速度ρ；模拟自然界黏菌的新阵代谢过程；

子步骤2‑7，设置黏菌群体的自学习因子α；即α为黏变形体的历史信息启发因子，即黏变形体在向另一个像素点转移时，目标像素点历史累积的营养物质在指导黏菌搜索中选择像素点转移时的相对重要程度，反映了黏菌在路径搜索中经验性因素作用的强度；

子步骤2‑8，设置黏菌群体的随机学习因子β；即β为黏变形体随机值启发式因子，反映了黏菌群体在随机搜索过程中启发信息在指导黏菌搜索中的相对重要程度，期望值启发因子β的大小反映了黏菌群体在道路搜索中先验性、确定性因素作用的强度，如果Pij(t)大于阈值P0，就将Xi合并到Xj的邻域内，令所有归并到Xj邻域的数据集和为Cj，则Cj＝{Xk|Dkj≤r,k＝1,2…J}。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，在进行待分割图像的初始化时，为每个图像像素点设置不同营养浓度；整个待分割图像归类为未分割区域，为待分割图像构造一个描述灰度值信息的特征向量,将灰度图像中的每一个像素点看成是一个数据样本,将该点灰度值处理后构成的信息特征向量,形成具有三维特征的数据集。

3.根据权利要求2所述的方法，其特征在于，所述步骤1包括以下具体步骤：

子步骤1‑1，将食物源定义为待分割图像聚类中心的集合；给定待分割的原始图像X,每个像素点Xi看作是黏菌群体的未分割区域食物源集合C中的一个节点，其中i＝1,2,…n，即每个食物源是以灰度、梯度和邻域为特征的三维向量，即每个像素点都以待分割的信息作为食物源的参考依据；未分割区域为C＝{Xi}，其中，i＝1,2,...,n；

子步骤1‑2，设置邻域像素点数量；对于任何一个待分割的二维图像，除了边缘像素点外，每个像素点都有8个邻域像素点；进一步地，初始化为邻域像素点数量为8，即包括该像素点周围8个相邻的所有像素点；进一步地，根据算法应用的需要，选择邻域像素点数量为

4，即仅包括该像素点上下左右4个相邻的所有像素点，但不包括相邻4个角上的像素点；

子步骤1‑3，为待分割图像的每个像素点设置邻域一致性分量；待分割图像像素点邻域内的灰度分布和非像素点邻域内的灰度分布不同，像素点邻域内灰度分布差异大，设待分割图像当前像素点编号为k＝1,2,…N,其坐标为(i,j),灰度值为gray(i,j)，以其为中心的邻域Ne＝{(x,y)||x‑i|≤L,|y‑i|≤L}中,L是邻域长度的一半,过中心点(i,j)以方向θk将该邻域分成两个部分KNe1和KNe2，其中,0°≤θk≤180°，定义待分割图像像素点的邻域一致性分量为Ne(i,j)＝max{|Grayk1‑Grayk2|}，k＝1,2,…N，其中,Grayk1，Grayk2分别为待分割图像在方向θk两侧的灰度平均值；

子步骤1‑4，为待分割图像的每个像素点设置结构性分量；设待分割图像第k＝1,2,…N个像素点的坐标为(i,j),以其为中心的邻域描述为Ne(i,j)＝max{|Grayk1‑Grayk2|}中，L是邻域长度的一半，lθ是过中心点且角度为θ的一条直线,则定义像素点(i,j)结构性分量为 其中，gray(m,n)表示像素点(i,j)邻域座标为(m,n)的像素点处的梯度幅值；

子步骤1‑5，为待分割图像的每个像素点设置方向性分量；设待分割图像第k＝1,2,…N个像素点的坐标为(i,j),在以其为中心的邻域Ne＝{(x,y)||x‑i|≤L,|y‑i|≤L}中,L是邻域长度的一半,lθ是过中心点且角度为θ的一条直线，lθ将该邻域分成两部分KV1和KV2，则定义像素点(i,j)方向性信息测度分量为 其中分别表示座标为(m,n)的像素点处位于两部

分KV1和KV2的梯度幅值之和；

子步骤1‑6，将待分割图像的每个像素点描述为三维向量Cj(V,G,Ne),j＝1,2…n；即将待分割图像的食物源使用聚类中心表示为Cj(V,G,Ne),j＝1,2…n，描述各个像素点的不同待分割特征，依次计算所有k＝1,2,…N个像素点，完成待分割图像所有像素点的初始化；

子步骤1‑7，设置迭代总次数T；参数T的设置与待分割图像大小和分割精度有关，图像越大，精度要求越高，则T越大；反之，则T越小。

4.根据权利要求1所述的方法，其特征在于，在步骤2中，在进行黏菌群体参数的初始化时，黏菌群体对图像进行分割的过程就是觅食过程，即寻找一组聚类中心；黏菌群体根据分割图像和像素聚类过程中所积累的信息以及启发引导函数决定对路径选择的影响因子，即建立黏变形体转移像素点时学习机制。

5.根据权利要求1所述的方法，其特征在于，在步骤3中，黏菌群体扩张寻找图像分割区域时，黏菌群体互相学习分割区域信息，黏菌群体通过学习自己过去的经验以及其他黏菌共享的信息，更新自己黏变形体的位置，一方面黏菌根据自己所处的位置，以个体学习概率学习自己黏变形体搜索到的像素点信息，并移动到下一个像素点，尝试归为最优的聚类；另一方面通过黏菌个体与个体之间的交叉合作收缩操作，以邻居学习概率学习更远的邻居黏菌个体觅食信息和像素点信息，供自己黏变形体移动选择。

6.根据权利要求1或5所述的方法，其特征在于，所述步骤3包括以下步骤：

子步骤3‑1，设置当前迭代次数t<＝T；首次进行图像分割计算时，设置t＝1；每一轮进行图像分割计算，执行t＝t+1；

子步骤3‑2，黏菌群体使用多条黏菌形体在待分割图像上进行扩张；假设黏菌群体中某条黏变形体从像素点Xi选择到Xj路径的概率为Pij，则有 其中，J表示黏菌群体下一步要归类的聚类中心，ηij(t)是引导函数启发式引导函数，基于黏菌群体算法中，ηij(t)是Dij的倒数；

子步骤3‑3，黏菌群体找到分割区域；黏菌群体比较Pij(t)，如果Pij(t)大于阈值P0，就将Xi合并到Xj的邻域内；阈值P0设置过程见子步骤2‑5；进一步地，令所有归并到Xj邻域的像素点集合为Cj，则Cj＝{Xk|Dkj≤r,k＝1,2…J}；

子步骤3‑4，黏菌群体将未分割区域像素点添加到已分割区域，即已发现的食物源列表，S＝{XS|Dsj≤r,s＝1,2,…N}为已分割区域像素点集合；

子步骤3‑5，计算黏菌群体的引导函数；引导函数用于度量当前像素点与聚类中心的相似度，用下面公式计算 其中,r为聚类半径,其设置过程见子步骤2‑1；因此，黏菌群体聚类半径越大，引导函数值越大，选择该聚类中心的概率随之增大；反之，待分割图像像素点与聚类中心之间的距离越大，则引导函数值越小，选择该聚类中心的概率就越小；黏菌群体将选择入分割区域的像素点集合Cj加入已分割区域S，将未选择入分割区域的像素点集合Cj加入未分割区域S’；

子步骤3‑6，计算黏菌群体理想聚类中心为： 进一步地，Oj包括多

个分量，即Oj＝{Oij}；

子步骤3‑7，计算黏菌群体第j个聚类中心的偏离误差： 其中，

其中，Oij表示第j个聚类中心Oj的第i个分量。

7.根据权利要求6所述的方法，其特征在于，在步骤4中，黏菌群体互相学习分割区域信息时，黏菌群体以步骤3中局部最优解为起点，在邻域内互相学习搜索食物源，不断循环下去，直至寻找到最优分割阈值和分割区域集合S。

8.根据权利要求7所述的方法，其特征在于，所述步骤4，包括以下步骤：

子步骤4‑1，黏菌群体学习图像分割区域的价值；黏变形体在寻得的食物源邻域像素点周围寻找新的食物源，并计算所寻找到的食物源的价值，其目标函数计算为：子步骤4‑2，黏菌群体学习分割聚类中心信息；黏菌群体从每个邻域像素点中选出局部最佳聚类中心，按下式计算第j个聚类中心信息： 其中j为Cj类中元素个数；否则，将该像素点记录在C集中，其中，C为黏菌群体未归类的像素集合；

子步骤4‑3，黏菌群体计算总体图像分割误差 其中， 为第j个聚类中

心的偏离误差；

子步骤4‑4，判断阈值条件；当聚类中心间距 即小于阈值，黏变形体将转移到当前的聚类中心，并更新第j个聚类中心；否则，黏变形体不转移，黏菌群体保持原状；因此，黏菌群体优先从较优的聚类中心取出最优食物源，即最优聚类中心作为图像已分割区域S。

9.根据权利要求1所述的方法，其特征在于，在步骤5中，更新黏菌群体信息，每经过一次循环，黏菌群体的图像分割信息需要进行更新调整，从而不断改进图像分割效果。