1.一种腹部CT序列图像中肝脏肿瘤区域图像的自动分割方法，其特征在于，该方法包括：(1)采用稀疏形状组合模型对腹部CT序列图像f进行预处理，获取其中的肝脏区域；

(2)采用高斯函数拟合序列中整个肝脏区域的灰度直方图，根据高斯分布的概率理论以及解剖学先验知识，获取正常肝脏组织的大致灰度范围[Imin,Imax]，其中Imin表示灰度最小值，Imax表示灰度最大值；

(3)利用灰度值Imin和Imax，对肝脏区域进行分段非线性增强，提高肿瘤与正常肝实质的对比度，增强结果记作ζ；

(4)为了去除增强结果中的噪声、平滑图像，采用大小为(2s+1)×(2s+1)的卷积核对增强结果ζ进行Niter次迭代卷积操作，得到结果ζconv，其中s、Niter均为大于0的自然数；

(5)利用增强结果，结合图像边界信息，构建多目标分割的图割能量函数：其中，P表示图像f中的所有像素集；fp和fq分别表示图像f中的像素点p和q；Np表示像素点p的邻域像素集；R(fp)为灰度惩罚项，对图像像素点分别属于背景、正常肝实质和肿瘤组织进行惩罚，计算公式如下：其中，Ip和Iq表示像素p和q的灰度值，mask为采用稀疏形状组合模型对腹部CT序列图像进行预处理得到的肝脏掩模，属于肝脏区域的像素标记为1，属于背景的像素标记为0，即B(fp,fq)为边界惩罚项，对相邻像素灰度不一致进行惩罚，计算公式如下：

其中

d(p,q)表示像素p和q的欧氏距离，TP表示图像f的像素集P的像素总数；

权重α用于调节灰度惩罚项R(fp)和边界惩罚项B(fp,fq)在图割算法中所占的比重，取值范围为0～1；

(6)采用最优化算法最小化能量函数E(f)，获取肝脏肿瘤初步分割结果；

(7)采用三维数学形态学开操作对初步分割结果进行后处理，去除其中的误分割区域，得到精确的肝脏肿瘤组织。

2.如权利要求1所述的腹部CT序列图像中肝脏肿瘤区域图像的自动分割方法，其特征在于：所述s优选1～5的自然数，Niter优选30～130的自然数，α优选0.5～1的正常数。

3.如权利要求1所述的腹部CT序列图像中肝脏肿瘤区域图像的自动分割方法，其特征在于：在所述的第(3)步中，分段非线性增强公式如下：其中，I为图像像素灰度，和θ分别为调节正常肝脏区域和肿瘤区域增强程度的惩罚因子，和θ取值均为正常数，当图像像素灰度I落在区间[Imin,Imax]上时，表明该像素点属于正常肝脏的概率较大，对其进行增强的惩罚因子 设置相对较小，而当灰度I小于Imin或大于Imax时，表明该像素点属于肝脏肿瘤的概率较大，惩罚因子θ值则设置相对较大。

4.如权利要求3所述的腹部CT序列图像中肝脏肿瘤区域图像的自动分割方法，其特征在于：所述 优选0.1～1的正常数，θ优选1～3的正常数。

5.如权利要求1所述的腹部CT序列图像中肝脏肿瘤区域图像的自动分割方法，其特征在于：在所述的第(7)步中，优选半径为r的球形结构作为三维形态学开操作的结构元素。

6.如权利要求5所述的腹部CT序列图像中肝脏肿瘤区域图像的自动分割方法，其特征在于：所述r优选2～25的自然数。