金字塔级数，a，b分别是图像长和宽。W(m，n) =W(m)XW(n)是长度为 5的高斯卷积核。
[0070] 3)从1倍分辨率图像开始使用RGB颜色直方图模型和形态学闭操作得到包含肿瘤 的初始感兴趣区域。
[0071] 其中，初始R0I区域获得，具体为：对1倍图像分别采样R，B通道的颜色直方图信 息，记作hisK，hisB。分别对hisK，hisB进行平滑处理，并用均值算法获得hisK，hisB的均值。 以均值为中心点分别上下浮动15个单位，作为R通道和B通道的颜色分割阈值。对图像进 行第一次处理，得到图3。在图3基础上，用形态学闭操作算法，闭操作参数选择为11。将 图1中所有的点进行融合，并形成1个闭合模板。将图3映射到1倍图像中得到初始感兴 趣区域，如图4。
[0072] 4)在得到的初步分割结果基础上，重复步骤3)，得到更新后的感兴趣区域，并通 过巴式距离计算2个感兴趣区域的差异，如果差异大于0. 99,继续重复步骤（3)，直到差异 小于0. 99跳转到高一倍分辨率图像，终止条件达到0. 995或者达到4倍分辨率，得到优化 后的感兴趣区域。
[0073] 其中，优化R0I区域获得，具体包括：在初始感兴趣区域循环执行步骤3)，每次得 到新的感兴趣区域和上一步感兴趣区域进行巴氏距离比对，具体公式如下：
[0075]式中，h代表上一步感兴趣区域的直方图统计信息，h'代表新的感兴趣区域直方 图统计信息，对每个相同的数据点数据i乘积开平方后相加河道图像相似度值，范围为o-l之间。
[0076] 如果巴氏距离大于0. 995,停止，得到优化后感兴趣区域，如图5;如果巴氏距离大 于0. 99跳转到高一层分辨率图像继续执行，最高4倍分辨率；如果巴氏距离小于0. 99,循 环执行步骤3)、4)。
[0077] 5)在优化后感兴趣区域中，在中心区域选择200X200像素框的图像。
[0078] 6)用收敛指数滤波算法（具体参考论文"Cancercelldetectionandinvasion depthestimationinbrightfieldimages"方法）对步骤5)所选的区域进行细胞检测， 如果细胞数量小于80,则跳转到高一层分辨率，继续重复步骤5)、6);终止条件达到阈值， 得到B〇W分类最佳分辨率。
[0079] 其中，最佳BoW分类分辨率获得，具体包括：在优化感兴趣区域中在中心位置提取 200X200像素大小的图像，如图6 ;对该图像进行梯度变换，如图7 ;对梯度图像进行收敛指 数滤波，进行细胞定位，如图8,图9 ;如果细胞数量小于80个，跳转到高一层分辨率，循环执 行步骤6)。
[0080] 7)在步骤6)确定的最佳分辨率所映射的优化后感兴趣区域中，按照长宽 200X200像素分割成若干块图片，用MR8滤波器对每一个块图片进行滤波，得到MR8特征。
[0081] 8)在步骤7)基础上，用随机投影算法对图像进行降维，得到稀疏化的MR8特征。
[0082] 9)用稀疏化后的MR8特征和步骤1)所得到的texton词典进行数据编码得到新的 直方图特征。编码后的特征向量yi可以通过求解
得 到。所有特征向量汇总成直方图特征，具体公式如下：
[0084] 其中n是图像中像素点的个数。
[0085] 10)用LinearSVM对所得到的直方图特征进行分类，筛选出在优化后的感兴趣区 域中的肿瘤部分，最终分割出肿瘤。
[0086] 其中，BoW分类，具体为：在最佳分辨率所映射的优化后感兴趣区域中，按照长宽 200X200像素分割成若干块图片，对每个子图片提取MR8特征。（MR8特征利用论文"A StatisticalApproachtoTextureClassificationfromSingleImages"的方法获得） 分别对每个子图的MRS特征进行随机投影降维，具体公式为
[0088] 式中，t是随机投影矩阵，m是降维的维度，本实施例为1600,n是原始维度，本实 施例为40000。d为MR8的8个特征维度，R是原始MR8特征。
[0089] 用步骤1)得到的texton词典对降维的MR8特征进行编码得到新的直方图特征。 用步骤1)训练出的LinearSVM模型对新的直方图特征进行分类，最终确定哪些子图是肿瘤 组织，哪些子图是正常组织。
[0090] 实施例2
[0091] 将实施例1的方法与VZ_MR8和TFISF方法，在编码时间上进行比较。（VZ_MR8 和TFISF方法均参考论文"Effectivetextureclassificationbytextonencoding inducedstatisticalfeatures"获得）KTH_TIPS是一个纹理图像的开源数据库（在www. nada.kth.se/cvap/databases/kth-tips/可以获得），具体包括10类图像，每类图像包括 81张图片每个图像大小是200X200像素。Medicalblock数据库是本发明根据120幅结 直肠肿瘤病理切片图像根据临床医生手动识别，随机提取8倍和16倍patches各1000张， 每个patch大小是200X200像素，其中8倍肿瘤patches500张，8倍正常组织patches500 张，16倍肿瘤patches500张，16倍正常组织patches500张。实验结果是20次实验平均值， 如表1所示。应用本发明提出的基于随机投影降维的编码时间要远远小于其他结果，验证 了本发明提出的方法的有效性。
[0092] 表1 :编码时间比较
[0095] 将实施例1的方法和ELBP方法、GLCM方法，在应用BoW模型时图像分类正确性 进行比较。同样选用KTH_TIPS和Medicalblock数据库进行验证。（ELBP方法参考论文 "Multi-resolutiongray-scaleandrotationinvarianttextureclassificationwith localbinarypatterns''，GLCM方法参考论文"Texturesegmentationusingdifferent orientationsofGLCMfeatures"。）实验结果为20次实验的统计平均，结果如表2所示。 可以看出本方法和TEISF方法的分类正确性不相上下，并且远远高于其他三种方法。
[0096] 表2:分类准确率对比
[0098] R0C是一种评估模型性能的评价工具，曲线越陡越说明模型的性能佳。图10是对 比的五种方法的R0C曲线对比，从图中可以直观看出本方法较其他四种方法有很大的性能 提升。
[0099] 图11是针对20幅全尺度结直肠肿瘤病理图像的自动分割和人工分割的误差对 比，采用均平方根误差Rootmeansquarederror(RMSE)作为评估模型。（具体参考论文 "Facealignmentviacomponent-baseddiscriminativesearch"）根据统计，平均误差 为9. 3%，最大误差为14. 9%，最小误差为5. 7%。
[0100] 图12是人工分割和自动分割的具体区域对比，可以清晰看出，采用本方法已经可 以拟合人工分割的区域，在一些边缘存在一些不匹配情况。核心肿瘤区域都完全覆盖，可以 作为医生辅助自动化系统帮助医生自动筛选肿瘤区域。
[0101] 本发明所提供的全自动肿瘤病理图像分割方法，模拟临床医生操作习惯，采用自 适应多分辨率策略，在低分辨率情况下，通过RGB颜色模型和形态学操作获得初始肿瘤感 兴趣区域，再通过巴氏距离对初始感兴趣区域进行优化，目的是减少运算量，提高效率；再 通过收敛指数滤波算法对不同分辨率的图像进行细胞检测，当大于阈值确定该分辨率为 最佳词袋模型分类分辨率，将优化后的感兴趣区域反映到该高分辨率图像中，通过随机投 影对词袋