1.一种基于adaboost对肉毒梭菌细菌电子显微图像的在线筛选系统及方法；所述的方法可以用于各类不同细菌的鉴别分类。所述的方法基于adaboost方法，然后从细菌电子显微图像中提取特征输入到adaboost分类器中进行分类预测，最终分辨出图像中的细菌所属的类别。
2.如权利要求1所述的基于adaboost对肉毒梭菌细菌电子显微图像的在线细菌筛选方法，所述的方法包括如下几个步骤：
(1)从连接电子显微镜的计算机端获取细菌电子显微图像
(2)对获取的电子显微图像进行图像预处理
(3)对预处理结束的细菌电子显微图像进行特征提取
(4)将获取的细菌电子显微图像提取的特征放入特征数据矩阵
(5)利用adaboost方法对获取的细菌电子显微图像的特征数据矩阵进行建模、识别及分类，确定细菌的最终类别。
3.如权利要求2所述的图像预处理，其特征在于：
通过将获取的原始细菌电子显微图像从.gif格式转变为.jpg格式，在保证图像特征的前提下，压缩图像大小，降低传递速度。
每个细菌图像都有一个标尺，将其输入到计算机后，通过hough变换检测到标尺线段的两端像素点，计算机计算的标尺像素点的距离d1，标尺标注距离为d2，将所有标尺距离调整为5μm。计算得到需要的像素点距离为：
4.如权利要求2所述的特征提取过程，其特征在于：
hu不变矩：对于某一灰度图像f(x,y)的(p+q)阶中心距为：
其中心距的计算公式为：
根据上述公式，
i1＝y02+y20
i2＝(y02+y20)2+4y112
i3＝(y30+3y12)2+(3y21-y03)2
i4＝(y30+y12)2+(y21+y03)2
i5＝(y30-3y12)(y30+y12)[(y30+y12)2-(3y21+y03)2]
+(3y21-y03)(y21+y03)[(y21+3y03)2-(y21-y03)2]
i6＝(y20-y02)[(y30+y12)2-(y21+y03)2]+4y11(y30+y12)(y21+y03)
i7＝(3y21-y03)(y30+y12)[(y30+y12)2-(3y21-y03)2]
+(3y21-y03)(y21+y03)[(3y30+y12)2-(y21+y03)2]
傅里叶算子：假定细菌图像的细菌边界为u(n)＝[x(n),y(n)]，n＝0,1,…,n-1。用复数表示：u(n)＝x(n)+jy(n),n＝0,1,…,n-1。
u(n)的傅里叶变换为：
傅里叶描述子：
对轮廓进行傅里叶变换后，对式子进行展开，获取的式子的系数，它们也是没有量纲的变量，取等式展开前7个系数作为本发明使用的傅里叶描述子。
周长：单个细菌图像轮廓的周长为p；
面积：单个细菌图像轮廓的面积为a；
长轴：按照最小面积计算，细菌轮廓的最小外接矩形的长轴为l；
短轴：按照最小面积计算，细菌轮廓的最小外接矩形的短轴为w；
形态比：长轴短轴之比
密集度：面积与周长平方之比
5.如权利要求2所述的特征数据矩阵，其特征在于：
将每一张图像计算的特征按照数组的方式进行排列：nk＝[i1,i2,…i7,a(1),a(2),…,a(7),p,a,l,w,m,c]，其中k表示当前图像的排位顺序，1≤k≤m。将所有特征放在同一个矩阵中，组成细菌图像特征矩阵x＝[m,n]。其中，m为样本数量，n为每一个样本的特征数据。则x为细菌的特征数据矩阵。
6.如权利要求2所述的adaboost方法，其特征在于：
通过单层决策树方法建立弱分类器：
设置步长为50，对于矩阵x，取每一列特征的最大值max，最小值min。
则阈值每次增加
所以每次的阈值大小为
每一次分类时，大于阈值的分类为+1，小于阈值的分类为-1。在进行二分类之后，将样本的分类结果与实现标记的样本实际标记进行比较。弱分类器的错误率为：
其中a为分类错误的样本数，m为所有样本数。
选择50次阈值中分类错误率最小的阈值作为本次弱分类器的阈值
由于输入的细菌样本有四类，分别为肉毒梭菌，大肠杆菌，艰难梭菌以及福氏志贺菌，弱分类器只适用于二分类的情况，在进行多分类时，可以通过每一类样本对其他几类样本进行二分类的方法解决这个问题。
每个弱分类器的权值可以表示为：
在第一次弱分类器计算中，先分配样本的初始权值为：
如果样本被正确分类则：
如果样本被错误分类则：
选择10个分类器gt(x)。
计算出10个弱分类器之后，最终的强分类器为：
最终形成的强分类器即可用于4类细菌图像的分类，可以从4类细菌图像中找出肉毒梭菌图像。以此作为临床预检的重要判断标准之一。