1.一种基于改进鸡群优化算法的多阈值Otsu图像分割方法，其特征在于：读取要阈值分割的图像，将多阈值Otsu算法的类间方差作为适应度函数，通过改进的算法能够将定位区域的异物和背景分离开，实现异物检测的功能；具体的步骤包括：步骤一：读取要阈值分割的图像，实时读取无线充电发射板定位区域预处理后的图像；

步骤二：初始化改进鸡群算法的参数；

步骤三：采取PWLCM混沌映射对鸡群算法种群粒子进行初始化，使其均匀分布在搜索空间内；

步骤四：计算图片的直方图并设置要分割的阈值个数；

步骤五：计算图像的最大类间方差作为鸡群的食物源；

步骤六：采用改进的公式分别对公鸡、母鸡以及小鸡进行位置更新；步骤6.1：引入非线性权重递减策略对公鸡的位置更新进行改进；

由于公鸡的适应度值最高，属于各个群体中的最优个体，引入非线性权重递减策略，使得在迭代初期具有较大的权重，更好的遍历整个搜素空间，而在后期保持较小的权重，使得种群具有较好的局部搜索能力收敛到全局最优点；公鸡的位置更新公式为：xi,jt+1＝λt*xi,jt*(1+Rand(0,σ2))，(2)其中，xi,jt+1表示公鸡第t+1次迭代的位置，λt表示第t次迭代的权重，xi,jt表示公鸡第t次迭代的位置，Rand(0,σ2)表示均值为0，方差为σ2的高斯分布；ε表示一个很小的平衡常数，避免除数为零；s表示所有公鸡中除去第i个个体外的任意一个个体，第i只公鸡的适应度为fi，随机选取公鸡s的适应度为fs；t为当前迭代次数，tmax为最大迭代次数，λmax为初始惯性权值，取值为1.2；λmin为进化到最大迭代次数时的惯性权值，其取值为0.1；a和b为调整因子，它们的取值范围为a＝30，b＝0.88；

步骤6.2：引入自适应分数阶G-L对母鸡位置更新公式进行优化并引进分数阶数自适应调整；

所述的自适应分数阶G-L，取分数阶G-L的前四项对母鸡位置更新进行改进，改进公式为：对其母鸡位置更新公式进行分数阶优化，原位置更新公式为：xi,j’t+1＝xi,j’t+a1*Rand*(xr1‘t-xi,j’t)+a2*Rand*(xr2,j‘t-xi,j’t)(5)；

移项得：

xi,j‘t+1-xi,j’t＝a1*Rand*(xr1‘t-xi,j’t)+a2*Rand*(xr2,j‘t-xi,j’t)(6)；

根据公式(4)，取分数阶前四项，可得：

当式(7)中的分数阶α取1时，将式(6)与式(7)结合，得到分数阶母鸡位置的更新公式，更新公式为：a2＝exp(fr2-fi)

其中，Rand是服[0,1]均匀分布的随机数，该母鸡的伙伴公鸡r1的适应度值为fr1，a1表示其伙伴公鸡对其的影响因子，其他公鸡和母鸡中随机选取个体r2的适应度值为fr2，a2为其他鸡对其的影响因子；

利用母鸡的位置信息对分数阶α进行自适应调整，母鸡i与其他母鸡的平均距离为：其中，N为母鸡种群总数，D为空间维数；则进化因子ω可表示为：

dbest为全局最优位置与其他母鸡距离的平均值，母鸡的平均距离最大值为dmax，最小值为dmin，ω∈[0,1]；当分数阶次数α∈[0.5,0.8]时，算法的收敛速度较快，所以可将α根据下式进行动态调整：步骤6.3：在小鸡的位置更新公式中引入向全局最优个体学习的因子，避免陷入局部最优；在小鸡的位置更新公式中引入向全局最优个体学习的因子，具体的改进公式为：xi,j‘’t+1＝xi,j‘’t+E(xm,j‘’t-xi,j’‘t)+St(xbest,j‘’t-xi,j‘’t)(12)；

其中，母亲母鸡m位置的第j维数值为xm，母亲母鸡的位置对小鸡位置的影响因子为E，其为随机函数随机生成，取值范围一般为(0,2)；S的更新公式为t为当前迭代次数，tmax为最大迭代次数，S的取值范围为从1递减到0；xbest,j‘’t为小鸡群体中的最优位置；

步骤七：判断当前食物源是否为最优或达到迭代次数，若是，进行下一步骤，若不是，返回步骤五；

步骤八：输出最大阈值；

步骤九：对图像进行多阈值分割。

2.根据权利要求1所述的一种基于改进鸡群优化算法的多阈值Otsu图像分割方法，其特征在于：步骤三所述的PWLCM混沌映射的计算公式为：其中，p＝0.4，x(1)＝rand，x(t)为第t次迭代的值。

3.根据权利要求1所述的一种基于改进鸡群优化算法的多阈值Otsu图像分割方法，其特征在于：步骤五所述最大类间方差的计算公式为：其中，阈值组合为[t1,t2,…tK-1]，将图像分割成K个类别；为分割后各个类别占图像的比例，μi为各个类别的平均灰度，μT为图像的平均灰度。

4.根据权利要求1所述的一种基于改进鸡群优化算法的多阈值Otsu图像分割方法，其特征在于：所述的适应度函数采用的是多阈值Otsu算法的类间方差，计算公式为：其中，阈值组合为[t1,t2,…tK-1]，将图像分割成K个类别；为分割后各个类别占图像的比例，μi为各个类别的平均灰度，μT为图像的平均灰度。