1.一种基于非线性尺度空间的图像分割方法，其特征在于，该方法步骤如下：S1：基于KAZE特征，构建非线性尺度空间；

S2：通过KAZE算法对输入的图片进行非线性滤波，然后计算图像的梯度直方图，获取对比度参数k，根据一组进化时间t，利用加性分子分裂算法得到非线性尺度空间的所有图像；

S3：对S2获取的图像进行平滑处理，并利用迭代算法进行全局阈值处理，再利用边缘改进全局阈值处理，基于改进后的阈值对图像中物体和背景进行初步分割；

S4：对物体和背景进行对比，当物体和背景的对比度在图像中不统一时，根据图像的局部特征，通过最大类间方差法得到阈值并进行图像的分割。

2.根据权利要求1所述的基于非线性尺度空间的图像分割方法，其特征在于：所述S3中，迭代算法进行全局阈值处理，步骤如下：S301：统计图像灰度直方图，求出图像的最大灰度值和最小灰度值，分别记为ZMAX和ZMIN，令初始阈值T0＝(ZMAX+ZMIN)/2，迭代次数K＝1；

S302：根据第K次迭代阈值TK将图像分割为前景和背景，计算小于T0所有灰度的均值ZA，和大于T0的所有灰度的均值ZB；

S303：求出新阈值TK+1＝(ZA+ZB)/2；

S304：若TK和TK+1之间的差小于预定义参数ΔT，则所得TK+1即为迭代最终阈值，否则迭代次数K加1，转S302，继续迭代计算。

3.根据权利要求1所述的基于非线性尺度空间的图像分割方法，其特征在于：所述S3中，利用边缘改进全局阈值处理，步骤如下：S311：采用特征检测方法计算f(x,y)的边缘图像；其中f(x,y)表示经过KAZE特征处理后的图像；

S312：设定一个阈值Tt；

S313：用S312中的阈值对S311中的图像进行阈值处理，产生一幅二值图像gT(x,y)；

S314：仅用f(x,y)中对应于gT(x,y)中像素值为1的位置的像素计算直方图。

4.根据权利要求1‑3任一所述的基于非线性尺度空间的图像分割方法，其特征在于：所述S4中，通过最大类间方差法得到阈值，具体包括：计算输入图像的归一化直方图，使用pi,i＝0,1,2,…,L‑1表示该直方图的各个分量，pi表示像素的灰度级为i的概率，L表示L个不同的灰度级；计算各分量的累计和Pi(k)，累计均2

值m(k)；计算全局灰度值mG，计算类间方差σB(k)；

2 *

使类间方差σB(k)最大化的灰度级k即为Otsu阈值k ，如果最大值不唯一，则使用各个* * *

最大值k的平均值得到k；在k处计算可分性度量η。

5.根据权利要求4所述的基于非线性尺度空间的图像分割方法，其特征在于：设定输入图像中有MxN个像素，L个不同的灰度级，ni表示灰度级为i的像素个数；

图像中像素总数MN为MN＝n0+n1+n2+…+nL‑1；该直方图各分量满足：归一化的直方图各分量pi＝ni/MN。

6.根据权利要求5所述的基于非线性尺度空间的图像分割方法，其特征在于：所述S4* *

中，通过最大类间方差法得到阈值k ,0

处理为两类C1和C2，其中C1由图像中灰度值在范围[0,k]内的所有像素组成，C2由灰度值在*

范围[k+1,L‑1]内的所有像素组成。

7.根据权利要求6所述的基于非线性尺度空间的图像分割方法，其特征在于：所述S4中，类间方差的计算公式为：

2

式中σB为类间方差，p1为直方图分量P1的像素被分到类C1的概率；p2为直方图分量P2的像素被分到类C2的概率；m1为分配到类C1的像素的平均灰度值；m2为分配到类C2的像素的平均灰度值；mg为整个图像的平均灰度值。

8.根据权利要求7所述的基于非线性尺度空间的图像分割方法，其特征在于：所述S4中，分隔图像表达式为：

式中f(x,y)表示经过KAZE特征处理后的图像。