1.一种基于云模型和图割相结合的医学图像分割方法,，其特征在于，包括以下步骤：S1、获取并输入医学图像，手动标注前景区域，记为S；未标注的部分默认为背景区域，记为T，之后用高斯滤波对图像前景区域S和背景区域T进行除噪处理得到平滑图像；

S2、首先利用逆向云算法分别将前景区域S和背景区域T的灰度直方图变成一系列底层云，逐步合并各自的底层云，从而得到前景和背景各自的综合云特征值，然后根据X条件云发生器求出每个像素隶属于前景和背景的概率，计算光滑项和数据项，并根据光滑项和数据项构建网络图；

S3、采用最大流/最小割算法对网络图进行求解，获得图像分割结果；

S4、根据分割结果判定是否满足迭代条件，若满足则输出结果，反之，重复执行步骤S2，直至满足迭代条件，输出最终结果。

2.根据权利要求1所述的一种基于云模型和图割相结合的医学图像分割方法,，其特征在于，步骤S2所述的逆向云算法包括逆向云发生器、云综合算法和X条件云发生器，逆向云发生器，所述逆向云发生器是实现数值和其语言值之间的不确定性转换的模型，是从定量到定性的映射，它将精确数据转换为定性语言期望Ex、熵En、超熵He表示的概念，并以此来代表这些精确数据所反映的云滴整体；X条件云发生器是从定性到定量表示的过程，是指在已知三个数字特征Ex,、En,、He的前提下，还已知云滴X＝X0的条件，其中X0表示像素值。

3.根据权利要求1或2所述的一种基于云模型和图割相结合的医学图像分割方法,，其特征在于，步骤S2根据X条件云发生器求出每个像素隶属于前景和背景的概率，计算数据项，数据项表示像素归属于前景或背景的惩罚，其数学表达式为：其中Rp(Ip)为像素p分配给前景或背景的惩罚，通过像素p对S/T的隶属度计算得到，表达式为：Rp(S)＝-lnP(Ip|'S')

Rp(T)＝-lnP(Ip|'T')

其中Rp(S)表示像素p分配给前景的惩罚，Rp(T)表示像素p分配给背景的惩罚，P(Ip|'S')表示像素p对前景的隶属度，P(Ip|'T')表示像素p对背景的隶属度。

4.根据权利要求1或2所述的一种基于云模型和图割相结合的医学图像分割方法,，其特征在于，步骤S2计算光滑项，光滑项表示像素之间不连续的惩罚，其数学表达式为：其中B(L)表示光滑项，B＜p,q＞表示相邻像素p,q之间不连续的惩罚，p,q之间越相似则B＜p,q＞越大，越不相似则B＜p,q＞越小，考虑相邻像素对于前景和背景的隶属度信息，B＜p,q＞的表达式为：B＜p,q＞∝ exp(-β||(I p·P(Ip|'S')-Iq·P(Iq|'S'))+(Ip·P(Ip|'T')-Iq·P(Iq|2

'T'))||)

其中β表示空间连接像素的标准方差，Iq表示像素q的灰度值，P(Iq|'S')表示像素q对前景的隶属度，δ(Ip,Iq)表示为判定相邻像素是否光滑的函数，表达式为：

5.根据权利要求1或2所述的一种基于云模型和图割相结合的医学图像分割方法,，其特征在于，步骤S3采用最大流/最小割算法对网络图进行求解，获得图像分割结果；

其中vi表示前景S中的节点，vj表示背景T中的节点，w(vi,vj)表示节点vi和vj之间的权值,，最小割将图片分成A,B两部分构造能量函数，表达式为：E(L)＝λR(L)+B(L)

其中R(L)为数据项，B(L)为光滑项，λ为影响因子。