1.一种提取骨x光图像特征判断骨质疏松的方法，其特征在于，包括以下步骤：
步骤一，同时进行操作一和操作二，构建特征提取器：
操作一，构建基于卷积神经网络的特征提取器：
a)基于神经网络的特征提取器的训练
构建四个卷积神经网络：alexnet、vggnet、resnet和densenet；
b)获取骨x光切片数据集，将所述骨x光切片数据集划分为训练集和验证集；
对所述训练集中的骨x光切片进行以下操作：在每一张骨x光切片上随机剪取至少4个图像块，每一张骨x光切片上的图像块之间能够重叠或不重叠，由所述训练集获得的所有图像块为数据集a；
对所述验证集中的骨x光切片进行以下操作：在每一张骨x光切片上按序剪取至少4个图像块，每一张骨x光切片上的多个图像块之间能够重叠或不重叠，由所述验证集获得的所有图像块为数据集r；
调整所述数据集a和数据集r中所有图像块的尺寸，以使该数据集a和数据集r中所有图像块的尺寸满足四个卷积神经网络输入的要求；对调整尺寸后的数据集a进行翻转和旋转，用于数据增强，得到扩增数据集b；
用限制对比度自适应直方图均衡方法对所述扩增数据集b和所述数据集r进行直方图均衡操作，用于增强所述扩增数据集b和数据集r中图像的对比度，其中，所述扩增数据集b进行直方图均衡操作后得到数据集c，所述数据集r进行直方图均衡操作后得到数据集s；
c)设置所述四个卷积神经网络的参数，其中，四个卷积神经网络的激活函数均设置为relu；
将所述数据集c的所有图像块分别放入四个卷积神经网络进行训练50～200个epoch，每个epoch结束用所述数据集s进行验证，当用所述数据集s验证的准确率高于60％时，保存该卷积神经网络的权重，针对每一个卷积神经网络，选取所述数据集s验证准确率最高时的权重当作该卷积神经网络的权重，得到四个卷积神经网络的权重；
重载四个卷积神经网络的权重，对数据集e进行特征提取，得到四组特征作为特征集f，其中，所述数据集e的获得方法为：
调整所述骨x光切片数据集中骨x光切片的尺寸，以使骨x光切片数据集中骨x光切片的尺寸符合四个卷积神经网络输入的要求，获得数据集d，用限制对比度自适应直方图均衡方法对所述数据集d进行直方图均衡操作，以求增强该数据集d中图像的对比度，得到所述数据集e；
操作二，构建基于传统特征提取方法的特征提取器
1)lbp特征和glcm特征提取：分别采用lbp方法和glcm方法对骨x光切片数据集提取特征，得到lbp特征和glcm特征作为特征组g；
2)分别将黑塞矩阵和gabor滤波器编码到所述lbp特征和所述glcm特征中，得到编码的lbp特征和编码的glcm特征作为特征组h；
3)将所述特征组g和特征组h进行组合，得到特征组i；
步骤二，最小冗余最大相关算法进行特征提取
将所述特征集f中的四组特征分别与所述特征组g、特征组h和特征组i进行组合，得到12组组合特征；
利用最小冗余最大相关算法对所述12组组合特征分别进行特征选择，在每组组合特征中选择出排名在前n个的特征，得到120组选择特征组作为特征集j，其中，n为10至100之间能够整除10的数；
步骤三，用所述120组选择特征组训练svm分类器，其中，在每组选择特征组训练时采用5折交叉验证的方法，该5折交叉验证的方法的具体操作为：把每组选择特征组的数据随机平均分为5份，得到5份数据集k，每份数据集k各自作为svm分类器的分类验证集使用，其中，当每1份所述数据集k作为分类验证集使用时，剩余4份数据集k作为svm分类器的训练集调整该svm分类器的参数，以使选择特征组训练svm分类器得到分类的性能指标，由5折交叉验证的方法获得的每组选择特征组的5份性能指标，求取该组选择特征组性能指标的平均值即可；所述性能指标包括：精准率、真正率、真负率和准确率；
将所述操作一中每个卷积神经网络提取的特征分别和特征组g、特征组h、特征组i组合，得到3组组合特征，对所述3组组合特征分别进行特征选择，得到30组选择特征组，在30组选择特征组中选取准确率最大的一组选择特征组并作为特征组k、特征组l、特征组m和特征组n；
步骤四，对待测数据集进行分类，准备待测数据集c’，同时进行操作a和操作b:
操作a，利用卷积神经网络提取待测数据集c’中骨x光切片特征，
根据步骤二所得四个卷积神经网络的权重，重载四个卷积神经网络的权重，对数据集e’进行特征提取，得到四组特征作为特征集f’，其中，所述数据集e’的获得方法为：调整待测数据集c’中骨x光切片的尺寸，以使待测数据集c’中骨x光切片的尺寸符合四个卷积神经网络输入的要求，获得数据集d’，用限制对比度自适应直方图均衡方法对数据集d’进行直方图均衡操作，用于增强数据集d’中图像的对比度，得到数据集e’；
操作b，利用传统特征提取方法提取待测数据集c’中骨x光切片特征
按照步骤一操作二对待测数据集c’进行操作,得到特征组g’、特征组h’和特征组i’；
步骤五，利用svm分类器进行分类，在特征集f’、特征组g’、特征组h’和特征组i’中挑选依次相应步骤三中特征组k、特征组l、特征组m和特征组n中的特征，依次分别得到特征组k’、特征组l’、特征组m’和特征组n’，将特征组k作为待预测svm训练集使用训练svm分类器，预测特征组k’；将特征组l作为待预测svm训练集使用训练svm分类器，预测特征组l’；将特征组m作为待预测svm训练集使用训练svm分类器，预测特征组m’；将特征组n作为待预测svm训练集使用训练svm分类器，预测特征组n’。
2.根据权利要求1所述的方法，其特征在于，在所述步骤b)中，所述按序剪取的方式为：将每张骨x光切片分成第一部分和第二部分，第一部分为每张骨x光切片靠上300×400的像素点部分，第二部分为每张骨x光切片靠下300×400的像素点部分，针对第一部分和第二部分均进行以下操作：以像素的列为单位，从第一列像素开始，每间隔4个像素点剪取一个300×300的图像块。
3.根据权利要求2所述的方法，其特征在于，对应alexnet的输入的要求为：图像块的尺寸为227×227，对应vggnet和resnet的输入的要求为：图像块的尺寸为224×224，对应densenet的输入的要求为：图像块的尺寸为100×100。
4.根据权利要求3所述的方法，其特征在于，调整尺寸的方式为应用线性插值的方法，所述翻转为左右翻转，所述旋转为30°和45°两个方向。
5.根据权利要求4所述的方法，其特征在于，在所述步骤b)中，所述限制对比度自适应直方图均衡方法使用扩大图像灰度范围来增强图像对比度，经过所述限制对比度自适应直方图均衡方法处理后的图像灰度范围为0～255。
6.根据权利要求5所述的方法，其特征在于，在所述步骤c)中，四个卷积神经网络的参数设置如下：
7.根据权利要求6所述的方法，其特征在于，在所述步骤c)中，每一个卷积神经网络的全连接层均设置为3个，其中，第一个全连接层的神经元节点数为512，第二个全连接层的神经元节点数为256，第三个全连接层的神经元节点数为128，卷积神经网络提取的特征在第三个全连接层得到。
8.根据权利要求7所述的方法，其特征在于，在所述步骤1)中，在采用glcm方法提取特征时提取了四个方向，四个方向为0、π/4、π/2和3π/4，并在每个方向提取了对比度、相关性、能量和同质化的4种特征。
9.根据权利要求8所述的方法，其特征在于，在所述步骤1)中，采用在lbp方法提取特征时用pca降维至64。
10.根据权利要求9所述的方法，其特征在于，在上述技术方案中，所述组合的方式为特征矩阵的列拼接，在特征矩阵中，行表示骨x光切片的数目，列表示特征的数目；
设置所述svm分类器的核函数为线性核函数。