1.一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于，包括以下步骤：(1)对CT图像进行预处理，获取图像中的肝脏区域；

(2)运用基于LI-SLIC的图像超像素分割方法对肝脏区域进行多层级迭代分割，将肝脏中灰度和纹理较为一致的区域划分为同一超像素，获取肝脏肿瘤与正常肝实质之间的边界，超像素分割结果记作Si，i＝1,2,...,n，其中n为超像素数目；

(3)利用CT图像局部灰度特征和纹理特征，训练一个正常肝实质\肝脏肿瘤二分类的分类器，并运用训练好的分类器对步骤(1)得到的肝脏区域的每一个像素点进行分类，分类结果记作F，若像素点p被分为正常肝实质，则F(p)取值为1，若被分为肿瘤组织，则F(p)取值为-1；

(4)根据肝脏区域像素点分类结果F，对步骤(2)生成的超像素进行分类，得到最终的肝脏肿瘤精确分割结果，方法为：对于每一个超像素Si，计算其所包含的所有像素分类结果的加权和：其中，权重wp和归一化因子M分别定义如下：

其中dp为像素点p与超像素Si的质心之间的欧氏距离，dmax为超像素Si中所有像素点距离其质心的最大欧式距离，像素点p距离超像素质心越近，权重wp取值越大，该像素点对超像素分类的贡献也越大；若由上述公式计算得到的加权和λi小于0，则将其对应的超像素Si标记为肿瘤区域，否则将其标记为正常肝实质。

2.如权利要求1所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：所述第(1)步中，预处理方法为稀疏形状组合或图割算法。

3.如权利要求1所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：在所述的第(2)步中，基于LI-SLIC的图像超像素分割方法，具体包括以下步骤：(Ⅰ)将原始图像分成边长为h的连续不重叠的图像子块，h取值如下：其中，N为图像像素总数目，n1为待生成的超像素数目，设置为大于0的自然数；

(Ⅱ)根据图像子块中所有像素的平均灰度和平均空间信息确定初始聚类中心Ck：Ck＝[lk,xk,yk]

其中，k＝1,2,…,n1，lk为第k个图像子块中像素的灰度均值，xk和yk则为第k个图像子块中像素行坐标和列坐标的均值；

(Ⅲ)计算以坐标(xk,yk)为中心、2h+1为边长的矩形方框所对应的子图像中每一个像素点p与聚类中心Ck的距离度量D(p,Ck)：其中，dc(p,Ck)表示像素点p与聚类中心Ck的灰度距离，由像素点p的局部邻域信息计算得到，ds(p,Ck)表示像素点p与聚类中心Ck的空间距离，参数m为正常数，用于控制灰度距离与空间距离对距离度量D(p,Ck)的影响，m值越大，空间距离对其影响越大，反之亦然；

(Ⅳ)采用距离度量D(p,Ck)对图像像素进行迭代聚类，并不断更新聚类中心Ck，直至新更新的与之前的聚类中心之间的欧氏距离小于预设阈值ε，即可获得超像素分割结果。

4.如权利要求3所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：在所述的第(Ⅲ)步中，灰度距离dc(p,Ck)由如下公式计算得到：其中，L(p)表示以像素p为中心、大小为(2a+1)×(2a+1)的邻域像素集，a为大于等于0的自然数，lq为像素q的灰度值，lk为第k个图像子块中像素的灰度平均值，权重wpq满足其定义如下：其中，Z为归一化因子：

γ为邻域像素集L(p)的像素灰度标准差。

5.如权利要求3所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：在所述的第(Ⅲ)步中，空间距离ds(p,Ck)由如下公式计算得到：其中，xp和yp分别为像素点p的横坐标和纵坐标，xk和yk则分别为第k个图像子块中像素行坐标和列坐标的均值。

6.如权利要求4所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：所述m为10～30的正常数，所述ε为10-4～3的正常数，所述a为1～10的自然数。

7.如权利要求1所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：在所述的第(2)步中，运用基于LI-SLIC的图像超像素分割方法对肝脏区域进行多层级迭代分割，具体包括以下步骤：(Ⅰ)采用基于LI-SLIC的图像超像素分割方法对肝脏区域进行超像素粗分割，其中待生成超像素数目n1为50～500的自然数；

(Ⅱ)计算生成的每个超像素Pi所包含所有像素的灰度标准差σi，若σi大于预设阈值σ，则对该超像素Pi的最小外接矩形对应的子图像fi进行LI-SLIC超像素分割，其中待生成超像素数目n1为2～10的自然数；

(Ⅲ)将子图像fi中Pi区域的超像素分割结果赋给Pi，实现Pi的一次迭代分割；

(Ⅳ)重复步骤(Ⅱ)和(Ⅲ)直到图像中所有超像素的灰度标准差σi均小于等于阈值σ；

(Ⅴ)为了消除多层级迭代分割造成的分割冗余，利用相邻超像素间的灰度特征进行超像素合并，具体包括：对于每一个超像素Pi，计算Pi与其邻接超像素Pj的最小灰度差μi，并获取当μi最小时对应的邻接超像素Popt：其中，和 分别为超像素Pi和Pj的灰度均值，NPi为Pi的邻接超像素集；若μi小于预设阈值μ，则认为超像素Pi与其邻接超像素Popt的灰度很接近，应属于同一目标区域，将其进行合并。

8.如权利要求7所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：所述σ优选1～35的正常数，所述μ优选5～30的正常数。

9.如权利要求1所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：在所述的第(3)步中，训练一个正常肝实质\肝脏肿瘤二分类的分类器，以及运用该训练好的分类器对肝脏区域的每一个像素点进行分类的方法，具体包括以下步骤：(Ⅰ)从CT图像中分别挑选足够数量的大小为(2b+1)×(2b+1)包含正常肝实质和肝脏肿瘤区域的子图像作为训练图像，其中b为大于0的自然数；

(Ⅱ)提取训练图像的灰度特征和纹理特征，其中灰度特征包括图像灰度均值、标准差和熵，纹理特征包括旋转不变LBP特征和多尺度Gabor特征；

(Ⅲ)将提取的特征输入支持向量机，训练一个正常肝实质/肝脏肿瘤二分类的分类器；

(Ⅳ)对于待检测肝脏区域，以每个像素点p为中心，选取大小为(2b+1)×(2b+1)的子图像fp，采用步骤(Ⅱ)所述方法提取子图像fp的灰度特征和纹理特征，将提取的特征输入训练好的正常肝实质/肿瘤组织二分类分类器进行分类，并将分类结果赋给子图像fp的中心像素点p。

10.如权利要求9所述的一种CT图像中的肝脏肿瘤自动精确鲁棒分割方法，其特征在于：所述b为3～30的自然数。