1.一种基于人工黏菌群体智能的图像边缘检测方法，其特征在于，包括以下步骤：步骤1，图像边缘检测模型初始化；将需边缘检测的目标图像转化为灰度图，初始化图像的灰度值，将图像边缘检测问题描述为多食物源节点情况下的黏菌群体觅食问题；

步骤2，黏菌群体分工检测图像边缘；

步骤3，黏菌群体交叉学习图像边缘；

步骤4，黏菌群体输出图像边缘检测结果。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，在进行图像边缘检测模型初始化时，具体包括以下步骤：

步骤1‑1，将目标图像转化为灰度图；

首先，获取需边缘检测的目标图像；图像边缘检测可以建模为随机分布在目标图像上的黏菌群体搜索食物源的过程，不同像素点具有不同的营养浓度；

其次，对目标图像的像素点进行预处理；将目标图像转换为灰度图像，并计算不同像素点的灰度梯度；在图像边缘点上营养浓度较大，在非图像边缘点上，图像的灰度梯度较小，营养浓度较小，甚至为0；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其边缘点信息的特征向量；

再次，将预处理后的目标图像转换为黏菌群体的食物源特征向量；图像中灰度梯度较大的点即为图像边缘点，又称食物源；给定原始图像X,每个像素点Xi(i＝1,2,…n)看作是食物源C，具有不同营养浓度值，从而构造一个描述边缘点信息的特征向量，即黏菌群体的食物源特征向量；进一步地，可使用Sobel算子来获取可能的边缘节点；进一步地，每个食物源是还可结合灰度值、灰度梯度值和邻域特征构建三维向量，为每个像素点构建三维边缘点特征向量，形成具有三维特征的数据集，为黏菌群体觅食提供更精确的食物源特征向量；

步骤1‑2，黏菌群体初始化；

首先，对黏菌个体的数量和位置进行初始化；设置黏菌群体中包含的黏菌个体数量，通常为大于1的整数；每个黏菌个体的细胞核随机分布于图像的像素上，并记录每一个黏菌个体的初始位置和对应的像素点坐标；

其次，对黏变形体的搜索方向进行初始化；黏菌群体使用多只黏菌个体搜索图像边缘点，模仿黏菌群体活动的分工合作行为；每个黏菌个体使用多条黏变形体搜索图像边缘点，每个黏菌个体的黏变形体数量初始化为整数随机数，以便各自向不同方向搜索食物源或图像边缘点；

再次，在每个阶段搜索时，黏菌群体以上一阶段搜索的局部最优解为起点，在邻域内扩张搜索新的食物源或图像边缘点，依次不断循环，直至检测到全部边缘点或达到中止条件为止；

步骤1‑3，初始化黏菌群体的营养浓度值；

为每个黏菌个体建立图像边缘点集合；黏菌初始化时，每个黏菌个体或每个黏变形体搜索到的食物源或图像边缘点集合设为空集，即初始化没有找到任何食物源；每条黏变形体的营养浓度值初始化为0，即没有任何营养浓度从外界食物源吸收到黏变形体内。

3.根据权利要求1所述的方法，其特征在于：在步骤2中，在黏菌群体分工检测图像边缘时，具体包括以下步骤：步骤2‑1，黏菌群体分工；

首先，黏菌群体的每个黏菌个体自行分工，分别对初始化后的图像进行图像边缘检测，并将搜索到的图像边缘点添加到黏菌个体所搜索到的图像边缘点集合中；

其次，所有黏菌个体更新搜索到的图像边缘点集合，并构成整个黏菌群体所搜索到的图像边缘点集合；

步骤2‑2，黏变形体随机搜索；

首先，每个黏菌的多条黏变形体也自行分工，每条黏变形体在目标图像上向周围随机搜索图像边缘点，将图像边缘点上的营养运输回体内，并将搜索到的图像边缘点添加到黏菌个体的图像边缘点集合中；每个黏菌个体的不同黏变形体在图像边缘检测中的随机行为能够学习到整个目标图像的局部信息；

其次，每个黏菌个体所有黏变形体搜索到的图像边缘点集合，构成了单个黏菌个体所搜索到的图像边缘点集合；单只黏菌的不同黏变形体搜索行为是随机的、分布的，而且单个黏菌个体的不同黏变形体能够互相学习，知道本黏菌周围的图像边缘点分布情况，并及时更新本黏变形体的营养浓度值；

再次，灰度梯度较大的图像边缘点能够向黏菌运输更多的营养，与较高营养浓度的图像边缘点相连接的黏变形体在学习和正反馈作用下，能够不断加强与之相连的黏变形体的营养浓度值。

4.根据权利要求1所述的方法，其特征在于：在步骤3中，在进行黏菌群体交叉学习图像边缘时，具体包括以下步骤：步骤3‑1，黏菌群体交叉；

由于每个黏菌的不同黏变形体在图像边缘检测中的随机搜索，导致不同黏菌个体的黏变形体可能出现交叉，不同黏菌个体的黏变形体能够通过交叉点学习其他黏菌个体的黏变形体营养浓度信息；不同黏菌个体的不同黏变形体在图像边缘检测中的交叉行为能够学习到整个目标图像的全部信息；

子步骤3‑2，交叉的黏变形体互相学习；

不同黏菌个体的黏变形体在交叉点上营养浓度趋于一致；其中，原来营养浓度较低的黏变形体会在交叉点从较高营养浓度的黏变形体中吸收营养，从而提高本黏变形体的营养浓度值；反之，原来营养浓度较高的黏变形体会在交叉点将营养运输到较低营养浓度的黏变形体中，从而降低了本黏变形体的营养浓度值；因此，不同黏菌个体通过黏变形体的交叉，从其他黏菌个体处学习到了自己未搜索到的图像边缘点信息；

子步骤3‑3，更新黏菌群体的交叉信息和营养浓度信息；

首先，在交叉点上的所有黏菌的黏变形体都需要更新营养浓度信息，并将交叉点添加到黏菌个体搜索到的图像边缘点集合中；

其次，由于黏变形体本身也会消耗营养，营养浓度也会相应降低；在远离图像边缘点处的黏变形体会因为营养的消耗而逐渐衰竭，甚至收缩而消失；反之，在图像边缘点处的黏变形体会从图像边缘点处吸收营养而提高营养浓度；

再次，更新交叉点处的营养浓度。

5.根据权利要求1所述的方法，其特征在于：在步骤4中，在黏菌群体输出图像边缘检测结果时，具体包括以下步骤：步骤4‑1，判断是否结束搜索；

黏菌群体通过步骤2的分工检测和步骤3的交叉学习，不断搜索目标图像上的图像边缘点，并由于自身的营养消耗而远离无图像边缘点的区域；进一步地，可以设置一个循环次数作为图像分割结束条件，判断黏菌群体的图像分割是否已经完成；如果预设的循环次数已经达到，黏菌群体将所有黏变形体搜索到的图像边缘点集合输出，本次图像分割任务完成；

子步骤4‑2，反之，如果预设的循环次数未达到，则返回步骤2的黏菌群体分工检测和步骤3的黏菌群体交叉学习，不断循环迭代计算，直至符合图像分割结束条件。

6.根据权利要求2所述的方法，其特征在于，所述特征向量是通过利用图像边缘点具有的邻域内灰度分布有序性、灰度突变具有结构性及方向性构造而成；

所述邻域内灰度分布有序性、灰度突变具有结构性及方向性分别为：

1)邻域一致性分量：

图像边缘点邻域内的灰度分布和非边缘点邻域内的灰度分布不同,边缘点邻域内灰度分布差异较大，设图像当前像素点的坐标为(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°,k＝1,2,…N，定义邻域一致性分量为Ne(i,j)＝max{|Grayk1‑Grayk2|},k＝1,2,…N，其中中,Grayk1，Grayk2分别为线素方向θk两侧的灰度平均值；

2)结构性分量：

设图像当前像素点的坐标为(i,j),以其为中心的邻域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,定义结构性分量为其中，gray(m,n)表示点(m,n)处的梯度幅值；

3)方向性分量：

设图像当前像素点的坐标为(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,定义方向性信息测度分量为 其中这样可以得到描述边缘点特征的三维向量，那么食物源可以表示为Cj(V,G,Ne),j＝1,2…n。

7.一种图像边缘检测模型的初始化方法，其特征在于，包括以下步骤：步骤1‑1，将目标图像转化为灰度图；

步骤1‑2，黏菌群体初始化；

步骤1‑3，初始化黏菌群体的营养浓度值；

在步骤1‑1中，采用以下步骤：

首先，获取需边缘检测的目标图像；图像边缘检测可以建模为随机分布在目标图像上的黏菌群体搜索食物源的过程，不同像素点具有不同的营养浓度；

其次，对目标图像的像素点进行预处理；将目标图像转换为灰度图像，并计算不同像素点的灰度梯度；在图像边缘点上营养浓度较大，在非图像边缘点上，图像的灰度梯度较小，营养浓度较小，甚至为0；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其边缘点信息的特征向量；

再次，将预处理后的目标图像转换为黏菌群体的食物源特征向量；图像中灰度梯度较大的点即为图像边缘点，又称食物源；给定原始图像X,每个像素点Xi(i＝1,2,…n)看作是食物源C，具有不同营养浓度值，从而构造一个描述边缘点信息的特征向量，即黏菌群体的食物源特征向量；每个食物源是还可结合灰度值、灰度梯度值和邻域特征构建三维向量，为每个像素点构建三维边缘点特征向量，形成具有三维特征的数据集，为黏菌群体觅食提供更精确的食物源特征向量。

8.根据权利要求7所述的方法，其特征在于，在步骤1‑2中，在进行黏菌群体初始化时，采用以下步骤；

首先，对黏菌个体的数量和位置进行初始化；设置黏菌群体中包含的黏菌个体数量，通常为大于1的整数；每个黏菌个体的细胞核随机分布于图像的像素上，并记录每一个黏菌个体的初始位置和对应的像素点坐标；

其次，对黏变形体的搜索方向进行初始化；黏菌群体使用多只黏菌个体搜索图像边缘点，模仿黏菌群体活动的分工合作行为；每个黏菌个体使用多条黏变形体搜索图像边缘点，每个黏菌个体的黏变形体数量初始化为整数随机数，以便各自向不同方向搜索食物源或图像边缘点；

再次，在每个阶段搜索时，黏菌群体以上一阶段搜索的局部最优解为起点，在邻域内扩张搜索新的食物源或图像边缘点，依次不断循环，直至检测到全部边缘点或达到中止条件为止。

9.根据权利要求7所述的方法，其特征在于，在步骤1‑3中，在初始化黏菌群体的营养浓度值时，采用以下步骤；

为每个黏菌个体建立图像边缘点集合；黏菌初始化时，每个黏菌个体或每个黏变形体搜索到的食物源或图像边缘点集合设为空集，即初始化没有找到任何食物源；每条黏变形体的营养浓度值初始化为0，即没有任何营养浓度从外界食物源吸收到黏变形体内。