1.一种基于聚类学习的图像分割质量评价方法，其特征在于，包括步骤1：构建图像数据训练集，包括

步骤1.1：从现有公开图像分割数据库中挑选A幅原始图像，每一幅原始图像具有一幅人工分割的参考图像GT；

步骤1.2：任选一幅原始图像及其参考图像GT，执行如下处理：创 建 原 始图 像 的 D O G 特 征图 像 ：用 尺 度为 5 × 5 ，标 准 差 分 别 为的高斯核进行滤波，得到滤波结果G1,G2,G3,G4,G5；然后计算差值图像D1＝G1-G2,D2＝G3-G4,D3＝G4-G5；对于D2中每个像素点，在其3×3邻域以及D1和D3中对应相同的邻域内，判断该点是否为极值点；若为极值点，则设置值为1，否则为0；

创建与参考图像GT的像素数长宽相同的二值矩阵GTB：GT中的非分割边界像素所在的位置，对应在GTB中的元素设置为0；GT中的分割边界像素所在的位置，对应在GTB中的元素设置为1；

所述DOG与GTB的元素的位置一一对应；

分别以GTB中值为1的每个元素为中心，在GTB截取边长为l个元素的正方形分割块构成分割块集合 截取过程中尺寸不足l×l的块不包含到PS中；

找出GTB中值为1的元素所对应的DOG中的元素，分别以其为中心，在GTB截取边长为l个元素的正方形特征块 构成特征块集合截取过程中尺寸不足l×l的块不包含到PDOG中；

所述分割块和特征块一一对应；

步骤1.3：按照步骤1.2相同的方法对A中其它原始图像及其参考图像GT进行处理，得到A个特征块集合PDOG和A个分割块集合PS；

步骤2：图像块聚类，包括

步骤2.1：将A个特征块集合PDOG中的每个特征块按列展开排成一个l2×1的列向量，利用K均值聚类算法，设定K值对所有列向量聚类，得到K个聚类中心，记为集合C；按照最近邻分类方法将所有列向量分类，每个列向量所在的类别即为其对应的特征块的类别，设置其类别标签为Lk；所有特征块的类别标签构成类别标签集合L＝{Lk|k＝1,...,K}；

步骤2.2：将每一个特征块的类别标签Lk设置为其对应的分割块的类别标签；

步骤3：创建待评价分割图像数据，包括

步骤3.1：按照步骤1.2相同的方法，创建待评价分割图像的原始图像的DOG特征图像；

步骤3.2：创建与待评价分割图像的像素数长宽相同的二值矩阵Seg：分割图像的非分割边界像素所在的位置，对应在Seg中的元素设置为0；分割图像的分割边界像素所在的位置，对应在Seg中的元素设置为1；

步骤3.3：将Seg和步骤3.1得到的DOG特征图像分别划分为多个边长为l个元素的正方形网格块，大小不足l×l的网格块在空缺位置填0补足为l×l的网格块，得到Seg的网格块并且构成集合 和DOG特征图像的网格块并且构成集合 m为网格块

的数量；所述Seg的网格块和DOG特征图像的网格块一一对应；

步骤4：计算评价分数，包括

步骤4.1：将PDOG'中每个网格块PiDOG′按列展开排成一个l2×1的列向量，计算每个列向量与聚类中心集合C中每个元素的欧氏距离，按最近邻分类方法将其划分到最近的类别Lk；找S' DOG′ S' S' S到P 中与Pi 对应的网格块Pi ，将Pi 与A个P集合中类别为Lk的所有分割块依次比较，判断PiS'中每个元素是否为边界点，即PBi,q(x,y)＝1，如下：S

其中，PLk是A个P集合中类别为Lk的所有分割块的集合， 是集合PLk中第q个分割块，q＝1,...,Nk，Nk为A个PS集合中类别为Lk的所有分割块的个数，PiS'(x,y)和 分别表示其元素在块中(x,y)位置处的值，i＝1,...,m；

S'

步骤4.2：计算Pi 的分割质量评价分数Si：

其中， 为 中包含边界点的个数，即值为1的元素个数；Row和Col分别表示PiS'的行数和列数；

步骤4.3：得到PiS'的分割质量评价分数后，对PS'中所有网格块的分割质量取平均，得到整个分割图像的分割质量评价分数S，即：

2.根据权利要求1所述的一种基于聚类学习的分割质量评价方法，其特征在于，所述A≥30。

3.根据权利要求2所述的一种基于聚类学习的分割质量评价方法，其特征在于，所述A＝50。

4.根据权利要求1所述的一种基于聚类学习的分割质量评价方法，其特征在于，所述l的取值为：7，11，15，19，23，27，31，35或37。

5.根据权利要求4所述的一种基于聚类学习的分割质量评价方法，其特征在于，所述l的取值为27。

6.根据权利要求1所述的一种基于聚类学习的分割质量评价方法，其特征在于，所述K均值聚类算法的K值的取值范围为3至5。

7.根据权利要求6所述的一种基于聚类学习的分割质量评价方法，其特征在于，所述K均值聚类算法的K值的取值为5。