1.一种基于超像素的自适应彩色图像分割方法，其特征在于，包括以下步骤：

步骤一、输入待分割的彩色图像；

步骤二、初始化线性采样迭代聚类法SLIC的相关参数，对待分割的彩色图像进行过分割操作，计算超像素并得到超像素中对应每个像素的标签：segments；

步骤三、计算超像素的数目和特征，具体为，

3a)将 步骤 二 中 得到 的 像素 标 签segments按 照 公式numSuperpixels ＝max(segments)+1，求得超像素的个数；3b)分别在图像的R、G、B通道上计算每个超像素的均值，构成一个numSuperpixels×3的特征矩阵，用以代表过分割图像，记作：meanSpectral；

步骤四、初始化局部搜索的核模糊聚类算法LKFC有关参数，包括最大迭代次数max_iter、停止阈值min_iter、最小近邻数k_nearest和高斯核函数中的参数delt；

步骤五、执行局部搜索的核模糊聚类算法LKFC，具体为，

5a)将步骤三得到的超像素的特征矩阵meanSpectral，通过非线性变换Ψ，将输入空间做低维到高维的变换；5b)若将meanSpectral分1类时，其聚类中心为meanSpectral的均值，记作：center；5c)计算meanSpectral中的第一个样本点data(1)与其他样本点的距离，并按照距离升序排列，取出data(1)的k_nearest个近邻对象，并利用该k_nearest个近邻对象的均值来作为第二个聚类中心的初始值，与center组合完成LKFC中求2分类时的中心初始化，并将用到的k_nearest个对象从原数据集中删除，生成新的数据集data_new，重复以上过程，直到data_new中的样本点小于k_nearest；5d)在步骤5c)中，得到一系列不同情况下的2分类聚类中心和其对应的隶属度矩阵，通过核化指标KI进行评价，找到最好的2分类的聚类中心vi和其对应的隶属矩阵uij： 其中，K(x,y)＝exp(-||x-y||2/

2

σ)；5e)用5d)中得到的2分类的聚类中心，重复步骤5c)计算3分类时的聚类中心，依此类推，求得k分类的聚类中心和隶属度；

步骤六、用核化指标KI对1，2，...，k不同分类进行评价，其中KI最大值对应的分类数目k便是图像的最佳分割数目c_opt，并保留其对应的聚类中心v_opt和隶属度矩阵u_opt；

步骤七、利用步骤六得到的最佳分割数目c_opt、聚类中心v_opt和隶属度矩阵u_opt三项参数对原图像中的像素点进行标记赋值，得到最终的分割结果。

2.根据权利要求1所述的基于超像素的自适应彩色图像分割方法，其特征在于，所述的线性采样迭代聚类法SLIC计算超像素包括：初始化种子点，每个种子点的距离近似为其中N为像素点个数，预分割的超像素数目为K，每个超像素尺寸为N/K。

3.根据权利要求1所述的基于超像素的自适应彩色图像分割方法，其特征在于，所述的步骤5a)通过非线性变换Ψ将输入空间做低维到高维的变换的具体操作为：在高维空间F，欧式距离||x-y||2被距离||Ψ(x)-Ψ(y)||2所替代，利用核函数K(x,y)＝exp(-||x-y||2/σ2)计算高维空间F中的内积Ψ(x)TΨ(y)，因此，|\Ψ(x)-Ψ(y)||2＝K(x,x)+K(y,y)-2K(x,y)。

4.根据权利要求1所述的基于超像素的自适应彩色图像分割方法，其特征在于，所述的步骤5c)计算meanSpectral中的第一个样本点data(1)与其他样本点的距离之前，先求k-1分类的聚类中心，并按距离升序排列，求data(1)的k_nearest个近邻对象的均值mean，将mean与k-1聚类中心组合，作为求解k分类聚类中心的初始值，最终求得k分类的聚类中心。