1.一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，包括以下步骤：步骤1：输入待分割图像，设定哈里斯鹰优化算法的种群规模以及迭代终止条件；

步骤2：求出输入图像中具有相同灰度级数的像素所占总像素数的概率，以Sδ熵作为目标函数评估阈值，使用哈里斯鹰优化算法对Sδ熵目标函数进行寻优，得到用于图像分割的最佳阈值；

步骤3：根据得到的最佳阈值，对待分割图像进行分割。

2.根据权利要求1所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2的具体处理步骤如下：步骤2.1：根据阈值数量的不同，初始化哈里斯鹰种群数N、阈值的数量dim、解的上下限ub,lb，由这些参数得到随机鹰群Xi，i＝1,2,...,N；

步骤2.2：将第一代鹰群作为当前鹰群，并设置当前迭代次数为1；

步骤2.3：判断所有鹰的位置是否超过了搜索空间；

步骤2.4：根据每个哈里斯鹰的位置计算其对应的适应度值；

步骤2.5：每一次迭代中产生的具有最优适应度值的个体设置为猎物；

步骤2.6：确定猎物的初始能量E0；

步骤2.7：构建一个代表猎物逃脱能量的线性递减的函数E1，即产生一个变化范围逐渐减小的随机序列；

步骤2.8：若|E1|≥1，进行全局探索，鹰群中的鹰会根据猎物的位置或者其他鹰的位置来随机选择夜晚栖息的地点，也就是各个解的位置更新过程；若|E1|<1，进行局部开发，用一个(0,1)内的随机数r代表猎物是否离开危险区域的概率，不管猎物是否离开危险区域，哈里斯鹰根据猎物的体力进行柔和或强硬的围捕；

步骤2.9：根据步骤2.8选择不同的位置更新策略来更新哈里斯鹰种群的位置，更新当前迭代次数，并判断当前迭代次数是否达到预设的最大迭代次数，若否，则返回步骤2.3，若是，则返回最优适应度值所对应的阈值即为最佳分割阈值。

3.根据权利要求2所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.1中在可能的解的范围中随机产生一个鹰群，也就是一组随机解：上式中，U是解的集合，其中，n是解的个数，d是解的维数。

4.根据权利要求2所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.3判断鹰的位置是否超过了搜索空间，即判断解的位置是否超过了解的范围，若超出则将鹰的位置在解空间内重新初始化。

5.根据权利要求2所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.4中计算适应度值时采用一种新的Sδ熵对阈值进行评估，其公式如下：上式中，T1，T2，...Tm，是m个最优的阈值，其中Sδ熵中参数δ取4.5；

其中，m代表阈值个数，L是灰度级数的最大值，p1，p2，...，pm+1为m个阈值分割后的m+1个部分的概率。

6.根据权利要求2所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.6中初始能量E0和跳跃强度J采用如下公式计算：E0＝2rand()-1

J＝2(1-rand())

上式中，rand()为(0，1)间的随机数。

7.根据权利要求2所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.7中产生的随机序列，公式如下：其中，E1代表的猎物所具有的逃脱能量，E0是(-1,1)间的随机数，t是当前迭代次数，T是最大迭代次数。

8.根据权利要求2所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.8所述的全局探索：若鹰群栖息策略的选择概率q≥0.5，哈里斯鹰的栖息位置为群内随机地点的策略；若鹰群栖息策略的选择概率q＜0.5，哈里斯鹰的栖息位置采取以其他家庭成员为基础的策略；

则步骤2.8中位置更新公式如下：

其中，X(t+1)是下一次迭代鹰的位置向量，Xrabbit(t)是猎物的位置，X(t)是鹰当前的位置，r1,r2,r3,r4是(0,1)内的随机数，lb和ub是解变量的下限和上限，Xrand(t)是当前鹰群中任意一只鹰的位置，Xm(t)是鹰群中所有鹰的平均位置。

9.根据权利要求2所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.9所述的局部开发，这里鹰群根据猎物的位置和所具有的能量不同选取不同的围捕方式，具体步骤如下：步骤2.9.1：若r≥0.5，猎物位于危险区域内，哈里斯鹰会采取突然袭击的方式捕获猎物，而此时猎物本身所具有的能量E1决定了哈里斯鹰具体采用何种位置更新的方式；若|E1|≥0.5，猎物仍然具有足够的能量使它逃脱围捕，鹰群此时采取软围困的方式更新位置耗尽猎物的能量；若|E1|<0.5，猎物的能量消耗殆尽，鹰群采取硬围困的方式更新位置；

步骤2.9.2：若r＜0.5，猎物不在危险区域，鹰群会快速的重复俯冲来矫正自己的位置和方向，并且评估是否获得更优的适应度值，若适应度值更优，则更新鹰的位置，若没能获得更优值则采用基于levy飞行模式的快速俯冲方式再次俯冲以更新位置，并判断第二次俯冲后的位置是否更优；同样如2.9.1，若|E|≥0.5，鹰群采取软围困方式更新位置，并且评估是否获得更优的适应度值，若没有则基于levy飞行模式再次更新位置并比较是否获得更优的适应度值；若|E|＜0.5，鹰群采取硬围困方式更新位置，并且评估是否获得更优的适应度值，同样若没有获得更优值则基于levy飞行模式再次更新位置并比较是否获得更优的适应度值。

10.根据权利要求9所述的一种基于哈里斯鹰优化算法的图像分割方法，其特征在于，步骤2.9.1中软围困的位置更新公式如下：X(t+1)＝Xrabbit(t)-X(t)-E·|J·Xrabbit(t)-X(t)|其中，J＝2(1-r5)代表猎物随机的跳跃强度，r5为(0，1)内的随机数；

步骤2.9.1中硬围困的位置更新公式如下：

X(t+1)＝Xrabbit(t)-E·|Xrabbit(t)-X(t)|步骤2.9.2中levy飞行函数表达式如下：

其中，Γ(x)是Gamma函数，u，v是(0,1)内的随机数，β是一个默认常量，设置为1.5；

步骤2.9.2中位置进行两次更新并取其中适应度最优的一个作为位置的更新，若两次更新都没有使适应度更优，则原来的位置保持不变：Y＝Xrabbit(t)-E·|J·Xrabbit(t)-X(t)|Z＝Y+S×LF(D)

上式中，Xrabbit(t)是猎物的位置，J是猎物的随机跳跃强度，D是问题的维度，S是D维的一个随机向量，LF是levy飞行函数；

所述步骤2.9.2中硬围困的两次位置更新判决公式如下：

Y＝Xrabbit(t)-E·|J·Xrabbit(t)-Xm(t)|Z＝Y+S×LF(D)