1.一种基于海马优化算法的OTSU图像多阈值分割方法，其特征在于：包括如下方法步骤：步骤一：读取待处理图像，计算其灰度直方图，并设定初始阈值个数K；

步骤二：初始化海马优化算法的参数，包括种群大小、最大迭代次数，随机生成初始种群，使其均匀分布在搜索空间内；

步骤二所述的对海马优化算法参数进行初始化，具体如下；

假设每只海马在问题的搜索空间中代表一个候选解决方案，整个海马种群表示为：其中Dim表示变量的维数，pop为种群大小；

th

每个解都是在一个指定问题的下界和上界之间随机生成的，分别用LB和UB表示，i 表式单个Xi在搜索空间[LB,UB]中是：th th

其中，rand表示[0,1]中随机值， 表示j 在i 的维度中是单独的一个从1到pop的正整j j th数，j是一个范围为[1，Dim]的正整数，LB和UB 暗示了j 的下界和上界优化问题的变量，以最小优化问题为例，以适应度最小的个体为精英个体，用Xelite表示，Xelite通过以下公式计算：Xelite＝argmin(f(Xi))

其中，f(Xi)表示一个给定问题的目标函数值；

步骤三：计算每个个体的适应度值，采用OTSU算法的类间方差作为适应度函数；

步骤三所述的采用OTSU算法具体如下；

在处理复杂图像或是多目标图像分割时，假设图像被多阈值(t1,t2,...tj‑1)分割分为j类(C1,C2,...,Cj)，OTSU算法则被扩展为多阈值大津阈值法，此时，最大类间方差被定义为：其中，

步骤四：根据适应度值更新海马种群的位置，包括以下几种行为：逃避捕食行为：当个体陷入局部最优时，引入随机扰动，帮助其跳出局部最优；

觅食行为：根据适应度值调整个体位置，使其趋向于全局最优解；

繁殖行为：根据适应度值选择优良个体进行交叉和变异，产生新个体；

步骤四所述的逃避捕食行为具体如下；

当个体陷入局部最优时，引入随机扰动，帮助其跳出局部最优，海马的运动模式近似符合均值为0、标准差为1的正态分布，在平衡勘探与开发的效能时，设定r1＝0为分界点，其中一半的运动用于局部区域的深入探索，而另一半则致力于空间的全局勘探；

所述海马的运动模式分为以下两种情形；

情况1：

在海中漩涡的环绕中，海马呈现出独特的螺旋式运动，此运动模式显著地服务于海马优化算法的局部精细化探索，在随机值r1位于某个界定点右侧的情境下，通过模拟螺旋轨迹，海马能够精准地朝向精英个体Xelite所在的方向移动，在这种情况下，用数学方法表示生成海马的新位置如下：其中，x＝ρ×cos(θ)、y＝ρ×sin(θ)和z＝ρ×θ分别表示螺旋运动下的坐标(x、y、z)的θv三维分量，有助于更新搜索代理的位置，ρ＝u×e 表示由对数螺旋常数u和v定义的茎的长度，设置为u＝0.05和v＝0.05，θ是介于[0,2π]之间的随机值，Levy(z)是Levy飞行分布函数，由以下公式计算得出：其中，λ为[0,2]之间的随机数，设λ＝1.5，s是0.01的固定常数，w和k是[0,1]之间的随机数，σ采用以下公式进行计算：情况2：

海马的布朗运动在漂移的作用下，对海马优化算法进行了勘探，r1位于截止点的左侧，此时，通过搜索运算可以有效地避免海马优化算法的局部极值问题，使用布朗运动来模拟海马体的另一段移动距离，从而保证了它能更好地进行搜寻，在这种情况下，它的数学表达式如下：其中，l为常数系数，设为l＝0.05，βt是布朗运动的随机游走系数，这实际上是一个随机值，服从标准正态分布，而且用以下公式来计算：这两种情况可以得到迭代t时海马的新位置如下：

其中r1＝randn()是一个正常的随机数；

步骤四所述的觅食行为具体如下；

觅食行为会根据适应度值调整个体位置，使其趋向于全局最优解，鉴于海马在捕食过程中超过九成的成功率，设计了一个随机数r2来明确区分这两种不同的结果，其中，设定了

0.1作为临界值来界定这两种情况，如果r2>0.1，这意味着海马的捕食是成功的，也就是说，海马偷偷地抓住猎物，并且比猎物快，才能最终抓住它，否则，当捕食失败时，两者的反应速度都与之前相反，这意味着海马的趋势是探索搜索空间，这种捕食行为的数学表达式如下所示：其中 表示迭代t运动后的新位置，r2是[0,1]之间的随机数，α随着迭代而线性减小，以调整海马的移动步长，计算公式如下：其中，T表示最大的迭代次数；

步骤四所述的繁殖行为具体如下；

会根据适应度值选择优良个体进行交叉和变异，产生新个体，在繁殖的分组过程中，依据适合度值将个体区分为雄性和雌性两组，鉴于雄性海马在繁殖过程中的关键作用，海马优化算法在选取个体时，将适合度最高的个体视为潜在的“父亲”，占据总数的一半，而其余半数则充当“母亲”的角色，海马角色分配的简明数学表达式为：其中 表示所有 按适应度值的升序排列，父亲和母亲分别表示来自雄性和雌性的数量；

雄性和雌性被随机交配以产生新的后代，为了使所提出的海马优化算法易于执行，假th设每对海马只繁殖一个孩子，i 的后代表达式如下：其中r3是[0,1]之间的随机数，i是一个在[1，pop/2]范围内的整数， 和 代表分别从雄性和雌性种群中随机选择个体；

步骤五：判断是否满足终止条件，如果达到最大迭代次数或适应度不再显著变化，则终止迭代，输出最佳阈值组合；否则，返回步骤三继续迭代；

步骤六：根据最佳阈值组合对图像进行多阈值分割。