1.一种肿瘤病理图像自动快速分割方法，其特征在于：首先采用高斯金字塔算法对肿瘤原始病理图像进行滤波，分别得到从1倍、2倍、4倍、8倍、16倍的病理学图像，通过RGB颜色模型和形态学“闭操作”在1倍分辨率图像上确定包含肿瘤的初始感兴趣区域；同时应用巴式距离从1倍分辨率到4倍分辨率进行初始肿瘤感兴趣区域的迭代优化，当巴式距离达到设定阈值，判断RGB颜色模型对肿瘤感兴趣区域贡献已经降低到0；再使用收敛指数滤波算法进行深度精确分割的自适应高分辨率选择，从而在最适合的高分辨率下进行进一步分割；最后使用基于随机投影的词袋模型将肿瘤感兴趣区域中的正常组织和肿瘤组织分割出来，实现最终肿瘤分割。

2.权利要求1所述的肿瘤病理图像自动快速分割方法，其特征在于，包括如下步骤：

1)建立基于词袋BoW模型的肿瘤分类训练、测试数据库，构建texton字典，并训练出线性支持向量机LinearSVM模型；

2)将待分割的肿瘤病理图像，分别生成从1倍、2倍、4倍、8倍、16倍分辨率的病理图像；

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；

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，如果差异大于阈值，继续重复步骤3)，直到差异小于阈值跳转到高一倍分辨率图像，终止条件达到阈值或者达到4倍分辨率，得到优化后的感兴趣区域；

5)在优化后感兴趣区域中，在中心区域选择200×200像素框的图像；

6)用收敛指数滤波算法对步骤5)所选的区域进行细胞检测，如果细胞数量小于阈值，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BoW分类最佳分辨率；

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200×200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；

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；

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；

10)用步骤1)得到的LinearSVM模型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。

3.根据权利要求2所述的肿瘤病理图像自动快速分割方法，其特征在于，步骤1)具体操作如下：首先由临床医生对肿瘤病理学图像进行人工分割，确定哪些区域是肿瘤组织，哪些区域是正常组织，形成分类好的ground truth数据库；基于ground truth数据库，分别对从8倍和16倍分辨率，按照200×200像素对数据库进行分割；并按照50/50形成训练数据集和测试数据集；用MR8滤波器对每一个块图片进行滤波，得到40000维的MR8特征；用随机投影算法对MR8特征降维，得到稀疏化的MR8特征；用L1-norm范数对训练数据集进行texton词典聚类；Texton聚类模型公式表示如下L×N M×N

式中，Λ＝[α1,α2,...,αN]∈R 是编码矩阵，X＝[x1,x2,...,xN]∈R 是原始M×L图像矩阵，D＝[d1,d2,...dL]∈R 是Texton聚类模型，αi,i＝1,2...,N是xi的L维编码向量； 是αi的均值；参数λ和γ是正标量，用来控制Texton的子词典dj是一个正交矩阵。

4.根据权利要求2所述的肿瘤病理图像自动快速分割方法，其特征在于，步骤2)中，1倍到16倍分辨率通过高斯金字塔滤波算法获得，具体包括：对原始32倍分辨率图像分别进行高斯模糊和偶数行采样，分别得到16倍、8倍、4倍、2倍、1倍图像；公式表示如下：式中，i是金字塔级数，a，b分别是图像长和宽；W(m,n)＝W(m)×W(n)是 长度为5的高斯卷积核。

5.根据权利要求2所述的肿瘤病理图像自动快速分割方法，其特征在于，步骤3)中，初始ROI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hisR，hisB；分别对hisR，hisB进行平滑处理，并用均值算法获得hisR，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；

用形态学闭操作算法，闭操作参数选择为11；将图像中所有的点进行融合，并形成1个闭合模板；将图像映射到1倍图像中得到初始感兴趣区域。

6.根据权利要求2所述的肿瘤病理图像自动快速分割方法，其特征在于，步骤4)中，优化ROI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：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0-1之间；

如果巴氏距离大于0.995，停止，得到优化后感兴趣区域；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)。

7.根据权利要求2所述的肿瘤病理图像自动快速分割方法，其特征在于，步骤6)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200×200像素大小的图像；对该图像进行梯度变换；对梯度图像进行收敛指数滤波来拟合细胞；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7)。

8.根据权利要求2所述的肿瘤病理图像自动快速分割方法，其特征在于，步骤10)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200×200像素分割成若干块图片，对每个子图片提取MR8特征；分别对每个子图的MR8特征进行随机投影降维，具体公式为式中，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；

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；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：

其中n是图像中像素点的个数；

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。