1.一种基于最优化模型的全局直方图均衡方法，其特征在于，包括：(a)定义输入图像的直方图为Hist，对截断阈值T从初始值0开始以Step为步进长度进行累加操作，根据每次累加后截断阈值T的数值对直方图进行截断均分处理；

(b)对直方图Hist进行均衡处理得到新的直方图Hnew，对新的直方图Hnew进行直方图迁移和合并处理生成当次虚拟输出图像及对应的当次临时直方图Hiter；所述均衡处理包括将直方图Hist被截断部分数据和值平均分配到色彩标准所规定的所有灰度级范围上；

(c)根据当次临时直方图，计算信息熵Entropy和对比度Contrast，然后分别存入数组E(T)和数组C(T)中；

(d)遍历所有截断阈值T之后，对数组E(T)和数组C(T)分别进行归一化操作，然后利用混合优化模型计算得到最优截断阈值Topt；

(e)根据最优截断阈值Topt对直方图Hist进行截断处理操作；对被截断的直方图数值做均分处理，最后进行直方图均衡处理得到结果图像；

根据每次累加后截断阈值T的数值对直方图进行截断均分处理，具体为：如果输入直方图Hist大于等于当次截断阈值，将当次截断阈值赋值给新的直方图Hcut；如果输入直方图Hist小于当次截断阈值，将输入直方图Hist赋值给新的直方图Hcut；

所述直方图Hist被截断部分数据和值等于Hist减去Hcut后的数据累加；对直方图Hist进行均衡处理得到新的直方图Hnew表示如下：Hnew＝Hcut+∑(Hist‑Hcut)/Drange其中，DRange为色彩标准所规定的灰度级范围；

信息熵Entropy和对比度Contrast的计算方式如下：Entropy＝∑P(n)*log2P(n)

其中，P(n)为图像直方图概率分布函数，n为直方图中有效灰度级；

Contrast＝P(0)(n1‑n0)+∑P(k)(nk‑nk‑1)其中，nk表示编号为k的灰度级，n0是所有灰度级中第0个灰度级，n1是所有灰度级中第1个灰度级；

对数组E(T)和数组C(T)分别进行归一化操作，具体为将数组最小值变为0，数组最大值变为1；如下：E(T)＝[E(T)‑min(E)]/[max(E)‑min(E)]C(T)＝[C(T)‑min(C)]/[max(C)‑min(C)]其中，min(E)表示数组E(T)中的最小值；max(E)表示数组E(T)中的最大值；min(C)表示数组C(T)中的最小值；max(C)表示数组C(T)中的最大值；

所述混合优化模型表示如下：

Mix(T)＝E(T)*C(T)/[E(T)+C(T)]其中，最优截断阈值Topt是使Mix(T)取得最大值时对应的截断阈值T。

2.根据权利要求1所述的基于最优化模型的全局直方图均衡方法，其特征在于，所述步进长度Step的计算公式如下：Step＝Hmax/Step_index

其中，Step_index为预设整数值，Hmax为直方图Hist的最大值。