1.一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于，包括下述步骤：步骤1，输入待分割图像，设定聚类数目c，模糊系数m，种群规模S以及停机条件；

步骤2，依据设定图像聚类数目c和种群规模S，运行蝙蝠算法，初始种群的各变量，产生初始种群Gk，位置向量xt（这里t的取值范围是，1≤t≤S，S表示种群规模），表示数字图像的聚类中心，其取值范围为（0，255），速度vt、声波频率ft、脉冲响度At、发射速率rt五个变量随机产生，k表示蝙蝠算法的运行代数，在初始条件下，令k=0；

步骤3，通过生成的初始种群，计算该种群中每个个体对应的像素的隶属度；

采用FCM的隶属度计算公式计算个体的隶属度，FCM的隶属度计算公式如下：其中1≤i≤c,1≤j≤N

dij＝||Xj-Vi||其中1≤i≤c,1≤j≤N其中，对于8位灰度图像一共有256个灰度级，N是样本图像的灰度级数，其取值固定为256，uij是灰度级为j的像素对于聚类中心Vi的隶属度，m是模糊系数，c是聚类数目，dij是灰度级为j的像素与聚类中心Vi之间的欧氏距离，且1≤i≤c,1≤j≤N；

步骤4，计算种群中个体的适应度并找出其全局最优解；

根据每个个体对应的像素的隶属度，计算每个个体的适应度值，Jq(t)(1≤t≤S)表示每个个体的适应度值，将Jq(t)中最大的值fitnessgeneration作为种群的全局最优解，并存入最优解集；

步骤5，采用蝙蝠算法对种群中各变量进行更新；

调整声波频率ft产生新的解并更新速度vt和位置xt，更新公式如下：ft＝fmin+(fmax-fmin)*β

k k-1 k

vt ＝vt +(xt-fitness)*ft

k k-1 k

xt ＝xt +vt

其中，k表示蝙蝠算法的运行代数，fmin和fmax分别表示声波频率的范围，β∈[0,1]是一个随机向量，保证fi在[fmin,fmax]范围内，速度vt可为正值或负值，位置向量xt可任意方向移动；

步骤6，从最优解集中选择一个解，并在该最优解附近形成一个局部解，进而在该局部解附近形成一个新解；

若k=1,局部解取步骤4中全局最优解所对应的位置变量，若k≠1，局部解直接取前一代个体适应度的全局最优解所对应的位置变量xglobalbest，新解的计算公式如下：k

xnew＝xglobalbest+ε*avgA

k

其中，xnew表示得到的新解，ε∈[-1,1]是一个任意的实数，avgA 是个体在当前代的平均脉冲响度，由脉冲响度Ai计算所得；

步骤7，计算新解中个体的适应度；

步骤8，判断是否对个体参数进行更新；

用新解xnew中个体的适应度Jq_new(t)与最优解集中选定解的Jq(t)进行比较，（若k=1,Jq(t)取步骤4中全局最优解的个体适应度Jq(t)，若k≠1，Jq(t)取算法上一代计算产生的最优解的个体适应度Jq(t)），若Jq_new(t)＞Jq(t)(1≤t≤S)且脉冲响度At大于人为设定阈值RA，阈值RA=1.5，则进入步骤9；否，则进入步骤10；

步骤9，对原解x中第t个个体的位置变量用新解xnew中第t个个体的位置变量进行替换并对脉冲响度At和发射速率rt进行更新后，进入步骤10，脉冲响度At和发射速率rt的更新公式如下；

其中k表示蝙蝠算法的运行代数，exp表示以自然对数e为底的指数函数，α和β是两个常量；

步骤10，计算种群全局最优解，通过与先前全局最优解的比较，对全局最优解进行更新；

计算种群中个体的适应度，得到当前的全局最优解fitnessnew_gen与先前的fitnessgeneration进行比较，（若k=1,先前的fitnessgeneration取步骤4中全局最优解的个体适应度fitnessgeneration。若k≠1，先前的fitnessgeneration取算法上一代执行步骤10计算产生的最优解集的个体适应度fitnessgeneration）。若fitnessnew_gen＞fitnessgeneration，则根据fitnessnew_gen将其更新为种群新的全局最优解fitnessgeneration；否则，将保留原先的全局最优解fitnessgeneration；

步骤11，判断是否满足停机条件，若是，则进入步骤12，否则返回步骤5；

步骤12，输出最终分割图像。

2.根据权利要求1所述的一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于：步骤1中，聚类数目c=4，模糊系数m=2，群体规模S=50，停机条件为连续十五代运算得到的全局最优解保持不变。

3.根据权利要求1所述的一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于：步骤5中，蝙蝠算法频率范围的取值为fmin＝0、fmax＝10。

4.根据权利要求1所述的一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于：步骤8中，阈值RA=1.5。

5.根据权利要求1所述的一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于：步骤9中，α＝β＝0.9。

6.根据权利要求1所述的一种基于蝙蝠优化模糊聚类的图像分割方法，其特征在于：步骤4,、步骤7和步骤10中所述的适应度计算公式如下：其中，Q是一个正常数，N是样本图像的灰度级数，c是聚类数目，uij是灰度级为j的像素对于聚类中心Vi的隶属度，m是模糊系数，dij是灰度级为j的像素与聚类中心Vi之间的欧氏距离，1≤i≤c,1≤j≤N。