1.基于显著性的自适应阈值自然目标图像分割抽取算法，其特征在于，包括以下步骤：步骤1、对自然目标图像进行聚类分割和显著信息提取，得到均值显著图像，具体按照下述步骤进行：步骤1.1、创造一个M*N图像矩阵im，将图像矩阵im存储作为输入自然图像，将自然目标图像从RGB色彩空间转换到CIELAB色彩空间，保存为图像矩阵labim；

RGB色彩空间转化到CIELAB色彩空间的过程如下，先将RGB色彩空间根据公式(1)转化为CIEXYZ色彩空间，然后根据公式(2)—(5)将CIEXYZ色彩空间转化到CIELAB色彩空间，公式(1)—(5)中，L*为明度指数，a*，b*为色品指数，X，Y，Z为颜色样品的三刺激值，Xn，Yn，Zn为CIE标准照明体照射到完全漫反射体表面的三刺激值，取Xn＝0.9515，Yn＝1.0000，Zn＝1.0886，t为函数f(t)的变量；

步骤1.2、用SLIC超像素分割算法对图像矩阵labim进行聚类；

根据CIELAB空间图像矩阵labim的测地距离进行K-means聚类，产生尺寸均匀，且保持颜色边界的超像素分割结果图像；

具体为，

首先，将图像矩阵labim划分为K＝400个网格，计算每个网格的中心点并在[-2，2]范围内波动，作为K-means聚类的初始聚类中心，初始时所有像素均未归类，此时任何一个像素点归属于类m的距离dis(m)＝∞，m为聚类的标签，dis(m)为像素点到类n的距离；

然后，在聚类中心的2S*2S区域内计算每个像素点与该类中心点之间的测地线距离D，S为网格边长度，S根据公式(6)计算得出，公式(6)中，N为图像的像素个数，K＝400，

若D

步骤1.3、根据步骤1.2所得的聚类结果，计算聚类中图像矩阵labim颜色和位置，分别为超像素块的颜色和位置；

计算标签m内的平均颜色信息和平均位置信息，以平均颜色信息作为标签m内超像素的颜色信息，平均位置信息作为标签m内超像素的位置信息；

步骤1.4、根据超像素块的颜色和位置信息，计算超像素块颜色独立性信息、空间颜色分布信息；

根据公式(7)计算颜色独立性信息，根据公式(9)计算空间颜色分布信息；

公式(7)中，Ui为颜色独立性，表示超像素在CIELAB空间中与其它超像素j的颜色比值，N为超像素分割结果中的超像素的个数，Pi，Pj为在超像素i，j在分割结果中的位置信息，w(Pj,Pj)为超像素i与超像素j之间的距离权重，采用高斯权函数公式(8)计算超像素间权重，公式(8)中，σP＝0.25；

根据公式(9)计算空间颜色分布信息；

公式(9)中， 为超像素i的加权位置信息，公式(10)为超像素i与超像素j之间的颜色权重，表示颜色之间的相似性，

公式(10)中，σc＝20；

步骤1.5、根据超像素块颜色独立性信息、空间颜色分布信息，计算超像素块显著信息；

由于空间颜色分布的区分度更大，在显著信息融合的时候将其放在指数位置，最终超像素i的显著信息为Si为公式(11)；

Si＝Ui·exp(-k·Di)                   (11)公式(11)中，k为常数3，从上式可以看出，当空间分布越广泛时，空间颜色分布Di值越大，显著信息Si越小，反之，颜色空间分布越窄，其显著信就越大；

步骤1.6、将超像素块显著信息转换为像素级，保存为均值显著图像矩阵sal；

图像中每个像素的显著性 为其周围超像素的显著信息Sj的高斯线性加权；

公式(12)其中，权值wij由位置和颜色共同决定；

公式(13)中，α＝β＝1/30，用以调节颜色和位置信息的比重；

步骤2、根据均值显著图像对自然目标图像进行自适应阈值分割，得到未处理的分割结果二值图像，对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像。

2.如权利要求1所述的基于显著性的自适应阈值自然目标图像分割抽取算法，其特征在于，所述步骤2包括以下步骤：步骤2.1、对图像矩阵im采用6*6的高斯滤波，将结果保存为图像矩阵img，将图像矩阵img从RGB转换到HSV色彩空间，计算色彩分布图HSVHist，将高斯滤波结果图像矩阵img从RGB转换到HSV色彩空间，计算色彩分布图HSVHist，根据色彩分布图计算HSVHist中符合条件的有效峰值个数K；

过程如下，

首先，将图像矩阵img按公式(14)—(16)从RGB转换到HSV色彩空间；

V＝max                         (16)公式(14)—(16)中，max为R，G，B分别的最大值，min为R，G，B分别的最小值，H∈[0,360]度是角度的色相角，S,V∈[0,1]是饱和亮度；

然后，对HSV三个分量按公式(17)进行归一化，计算L的色彩分布图HSVHist，L(i,j)＝H(i,j)*16+S(i,j)*4+V(i,j)         (17)最后，根据色彩分布图HSVHist计算其中中符合条件的峰值个数K，计算色彩分布图HSVHist峰值，取步长step＝30，若某个峰值点ki左右30以内有其他峰值点超过该点的峰值，则舍弃ki，从而计算得到有效峰值K；

步骤2.2、根据色彩分布图计算HSVHist中符合条件的有效峰值个数K；将HSV色彩空间矩阵img采用K-means聚类为K+1个类，K为有效峰值个数，聚类结果保存为pixel_labels；

步骤2.3、将聚类分割结果pixel_labels与步骤1.6中的均值显著图像矩阵sal结合，计算每个聚类中的显著信息均值meansm；

若像素点i属于区域R，则

公式(18)中，s为均值显著图像，N表示区域中的像素点个数， 为显著图像显著信息；

步骤2.4、计算meansm的平均值作为阈值，对显著信息均值meansm进行阈值分割，得到未处理的分割结果二值图像；

创建一个M*N的零像素矩阵binarymap，binarymap＝zeros(m,n)，按公式(19)计算meansm的平均值作为阈值th，若meansm(x,y)≥th，则brinarymap(x,y)＝1，最终得到未处理的分割结果二值图像brinarymap；

公式(19)中，s(x,y)为像素点(x,y)在均值显著图像s中的显著信息，X，Y，为显著图像的行数和列数，N为像素点总个数；

步骤2.5、对未处理的分割结果二值图像进行区域填充，得到完整的目标二值化图像；

首先，对brinarymap取反得到 此时，目标区域为黑色，背景区域为白色，其中黑色区域上的较小的白色连通区域将会影响整体提取效果，对 中4连通域进行标注，将面积小于20000的连通区域用黑色填充，得到填充后的二值图像binarymap；

然后，将填充后的二值图像binarymap取反得到 保留 中连最大连通域，其他区域填充为0，结果保存为binarymap，得到最终的输出结果二值图像binarymap，得到完整的目标二值化图像。