1.一种基于探路者算法的医疗影像处理方法，其特征在于，所述方法包括：步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像IF(i,j)；

步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像IF(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

步骤S103：利用探路者算法从构建的GLCM特征提取重要纹理特征；

步骤S104：将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果；

所述步骤S103：从构建的GLCM特征提取重要纹理特征，包括：步骤S1031：从GLCM特征中提取多个纹理特征，设置群集中个体数目n、最大迭代次数Kmax、设置当前迭代次数K的初始值为0，随机初始化群集中的各个个体的向量值，并从中选择领导者；

步骤S1032：计算群集中全部个体的位置向量：其中，xi是第i成员的位置向量，xj是第j成员的位置向量，c1和c2分别是混沌变量，混沌函数采用的是logistics映射函数，计算公式如下：c2＝μ·c1·(1-c1)

μ设置了群集中非领导者的个体与领导者保持距离的随机距离；

步骤S1033：计算群集中全部个体的适应度：其中，TP代表真阳性，指的是分类所识别出的正实例占所有正实例的比例，FP代表假阳性，是分类错认为正类的负实例占所有负实例的比例，TN代表真阴性，指的是分类所识别出的负实例占所有负实例的比例，FN代表假阴性，是分类错认为负类的正实例占所有负实例的比例；

从群集的全部个体中选取适应度函数值最大的个体为新的领导者，并按如下公式更新领导者的位置：xpK+1＝xpK+2r3·(xpK-xpK-1)+A其中，r3是在[0,1]范围内均匀生成的随机向量，在每次迭代中使用等式其中，μ1和μ2是[-1,1]中的随机向量范围，Dij是两个成员之间的距离；

步骤S1034：产生变异算子，修正领导者的位置：xpK+1＝xpK+G(v)·xpK

其中G(v)为高斯变异函数，它是一个D维高斯向量，为搜索个体的方差，xpK+1为修正后的领导者位置；

步骤S1035：判断当前迭代次数K是否等于最大迭代次数Kmax或得到全局最优解，若是，进入步骤S1036；若否，当前迭代次数K值加1，进入步骤S1032；

步骤S1036：获取领导者xp的解向量，处理解向量，特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征；

将所述领导者的位置xp通过映射函数T(Xi)将其从连续空间转换到离散空间，以用于特征选择处理：其中r为(0,1)区间随机值。

2.如权利要求1所述的基于探路者算法的医疗影像处理方法，其特征在于，所述步骤S101：获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像IF(i,j)，包括：首先将一个窗口中的所有像素点按像素值顺序排列，然后用中心像素值代替具有噪声的像素点，再计算该窗口的中值，计算中值的中间滤波器的计算公式如下：对于给定的医疗影像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，(i,j)∈(1,2,…,H)×(1,2,…,L)，H和L分别表示医疗影像的宽和高，w为窗口的奇数值，w＝(3,5,…)，W为矩形子图像窗口中的一组坐标，以点(x，y)为中心，用计算出的该中值替换该窗口中的全部中心像素值；将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪F声，得到无噪声图像I(i,j)。

3.如权利要求1所述的基于探路者算法的医疗影像处理方法，其特征在于，所述步骤S102：基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像IF(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征，包括：对比度的计算方式为：

关联度的计算方式为：

和

GLCM由描述像素对之间关系的概率组成，其中，N表示图像的样本数量，ui和uj是基于特定参考值和相邻像素值出现的概率的GLCM平均值，σi和σj分别为 和的标准平方根，Pi,j是参考像素和相邻像素具有特定值的概率；

角二阶矩ASM表示纹理均匀性，定义为：

其中，i和j定义像素点在GLCM中的位置，i表示像素点所在的行，j表示像素点所在的列；

逆差分矩IDM表示图像的局部均匀性，逆差分矩IDM计算方式为：所述熵携带的信息量与图像的复杂性相结合，熵的计算方式为：

4.一种基于探路者算法的医疗影像处理装置，其特征在于，所述装置包括：去噪声模块：用于获取输入的待处理医疗影像I(i,j)，将图像分割为n个窗口，对n个窗口中的每一个窗口，采用中值滤波去除噪声，得到无噪声图像IF(i,j)；

获取纹理参数特征模块：用于基于灰度共生矩阵(GLCM)特征提取方法从所述无噪声图像IF(i,j)中提取图像的纹理参数，所述纹理参数包括相邻像素之间的对比度、关联度、角二阶矩、逆差分矩(IDM)、熵，并构建GLCM特征；

特征选择模块：用于从构建的GLCM特征提取重要纹理特征；

图像识别模块：用于将提取到的所述重要纹理特征输入训练好的核极限学习机KELM，得到所述待处理医疗影像的分类、识别结果；

所述特征选择模块，包括：

特征提取子模块：从GLCM特征中提取多个纹理特征，设置群集中个体数目n、最大迭代次数Kmax、设置当前迭代次数K的初始值为0，随机初始化群集中的各个个体的向量值，并从中选择领导者；

第一计算子模块：计算群集中全部个体的位置向量：其中，xi是第i成员的位置向量，xj是第j成员的位置向量，c1和c2分别是混沌变量，混沌函数采用的是logistics映射函数，计算公式如下：c2＝μ·c1·(1-c1)

μ设置了群集中非领导者的个体与领导者保持距离的随机距离；

第二计算子模块：计算群集中全部个体的适应度：其中，TP代表真阳性，指的是分类所识别出的正实例占所有正实例的比例，FP代表假阳性，是分类错认为正类的负实例占所有负实例的比例，TN代表真阴性，指的是分类所识别出的负实例占所有负实例的比例，FN代表假阴性，是分类错认为负类的正实例占所有负实例的比例；

从群集的全部个体中选取适应度函数值最大的个体为新的领导者，并按如下公式更新领导者的位置：xpK+1＝xpK+2r3·(xpK-xpK-1)+A其中，r3是在[0,1]范围内均匀生成的随机向量，在每次迭代中使用等式其中，μ1和μ2是[-1,1]中的随机向量范围，Dij是两个成员之间的距离；

修正子模块：产生变异算子，修正领导者的位置：xpK+1＝xpK+G(v)·xpK

其中G(v)为高斯变异函数，它是一个D维高斯向量，K+1

为搜索个体的方差，xp 为修正后的领导者位置；

判断子模块：判断当前迭代次数K是否等于最大迭代次数Kmax或得到全局最优解；

特征选择子模块：获取领导者xp的解向量，处理解向量，特征选择的解的取值在离散空间，即0或1，0表示特征未被选择，1表示选中特征；

将所述领导者的位置xp通过映射函数T(Xi)将其从连续空间转换到离散空间，以用于特征选择处理：其中r为(0,1)区间随机值。

5.一种基于探路者算法的医疗影像处理系统，其特征在于，包括：处理器，用于执行多条指令；

存储器，用于存储多条指令；

其中，所述多条指令，用于由所述存储器存储，并由所述处理器加载并执行如权利要求

1-3任一所述的医疗影像处理方法。

6.一种计算机可读存储介质，其特征在于，所述存储介质中存储有多条指令；所述多条指令，用于由处理器加载并执行如权利要求1-3任一所述的基于探路者算法的医疗影像处理方法。