1.基于多粒度遗传算法的图像分割方法，其特征在于，包括以下步骤：步骤S1，根据输入的图像得到每个像素的灰度值，以最大化类间方差为目标设计评价图像分割性能的适应度函数；

步骤S2，输入种群大小、交叉和变异概率，初始化种群，并根据适应度函数计算个体适应度值；

步骤S3，判断当前种群是否分层；

步骤S4，若最优解发生变化，即连续两次迭代过程中的最优解不同，则采用分层策略将当前种群分成精英层和普通层；否则，不对当前种群进行分层操作；

步骤S5，根据当前种群的分层情况，分别进行遗传操作；

步骤S6，引入多粒度空间策略，利用随机树对可行域进行划分并根据划分情况执行迁移操作；

步骤S7，判断是否满足收敛条件；

步骤S8，若满足收敛条件，则结束迭代并输出最优解和迭代次数；否则，转到步骤S2；

步骤S9，根据获得的最优阈值对图像进行分割。

2.根据权利要求1所述基于多粒度遗传算法的图像分割方法，其特征在于：所述适应度函数如下，若以最大化类间方差为目标将图像分为a、b两类时，适应度函数可以通过类间方差表示为f(t)＝w1(t)×w2(t)×(u1(t)-u2(t))2，其中w1(t)为灰度值小于阈值t的像素数，w2(t)为灰度值大于阈值t的像素数，u1(t)、u2(t)分别为a、b中像素的平均灰度值。

3.根据权利要求1或2所述基于多粒度遗传算法的图像分割方法，其特征在于：所述输入的图像为彩色图像时，则还包括将其转化为灰度图像的步骤。

4.根据权利要求1所述基于多粒度遗传算法的图像分割方法，其特征在于：步骤S4所述采用分层策略将当前种群分成精英层和普通层包括以下步骤：将上一次迭代过程中的最优解与当前最优解为边界而围成子空间作为当前最优解的近邻空间；

当前最优解的近邻空间中的个体被划分到精英层，种群中的其余个体被划分到普通层。

5.根据权利要求1所述基于多粒度遗传算法的图像分割方法，其特征在于：步骤S5所述根据分层情况分别进行遗传操作包括：若当前最优解没有发生变化，即当前种群不分层，此时依次对当前种群执行轮盘赌选择操作、中间重组操作和高斯变异操作；否则，在去重后的精英层和普通层中随机选择两个个体，然后执行多父交叉操作和非均匀变异操作。

6.根据权利要求1所述基于多粒度遗传算法的图像分割方法，其特征在于：所述步骤S6具体包括以下步骤：利用随机树将可行域划分成多个子空间，每个子空间表示一个粒度；

根据每个粒度包含的历史样本数和其大小的比值定义粒度的稀疏度，比值越小，越稀疏；

分别在稀疏空间和当前最优解所在的子空间中随机采样，并通过迁移操作来替换当前种群中适应度值较差的个体。

7.根据权利要求6所述基于多粒度遗传算法的图像分割方法，其特征在于：所述从稀疏空间和当前最优解所在子空间中随机产生个体进行迁移操作，具体包括：种群大小为n，随机产生一个不大于n/2的偶数h作为迁移的粒子数；

根据粒度的稀疏度的大小，在稀疏度较小的前h/2个子空间中分别随机产生一个新的个体以替换当前种群中适应度值较差的个体；在当前最优解所在的子空间中随机产生h/2个新个体以替换当前种群中适应度值较差的个体。

8.根据权利要求6所述基于多粒度遗传算法的图像分割方法，其特征在于：所述随机树的建立包括：随机选取划分点，当节点包含的历史个体数小于给定的值时停止划分，所述给定的值设定为迭代次数。

9.根据权利要求8所述基于多粒度遗传算法的图像分割方法，其特征在于：只有当最优解发生变化时，才重新建树，否则直接采用上一次建树的结果。