1.一种基于人工蝴蝶优化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：基于多核局部判别分析MKLFDA(Multiple kernel  local Fisher discriminant analysis)方法构建核函数，从所述无噪声图像IF(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

步骤S103：利用人工蝴蝶优化算法从所述无噪声图像IF(i,j)的一维向量形式中提取重要特征；

步骤S104：将提取到的所述重要特征输入训练好的相关向量机RVM，得到所述待处理医疗影像的分类、识别结果。

2.如权利要求1所述的基于人工蝴蝶优化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：对于给定的图像I(i,j)，(r,s)∈(-(w-1)/2,…,(w-1)/2)，(i,j)∈(1,2,…,H)×(1,

2,…,L)，H和L分别表示图像的宽和高，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；

再将该医疗影像I(i,j)的其余窗口采用中值滤波去除噪声，得到无噪声图像IF(i,j)。

3.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S102：基于多核局部判别分析MKLFDA方法构建核函数，从所述无噪声图像IF(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式，包括：步骤S1021：对所述无噪声图像IF(i,j)进行标记，标记所述无噪声图像的所属类别，得到以下标记：其中，xi为第i个图像样本特征，ci为图像所属第i个类别，c为分类类别数量，R为实数集合；

步骤S1022：构建所述无噪声图像IF(i,j)的类间邻接图W(b)和类内邻接图W(w)：其中，l∈(1,2,…,c)表示图像所属类别，W为相似度矩阵，定义为：其中，Nr(x)表示x的最近邻；

步骤S1023：构建核函数，初始化所述核函数的系数；

构建核函数

即

其中， 为第p个图像中数据间的距离度量函数，xi,p为每个图像xi对应的描述特征，xj,p为每个图像xj对应的描述特征，σp为一正数常量值；

T

初始化核函数的样本系数向量α，αα＝1；

步骤S1024：确定所述核函数的样本系数向量α，包括：计算 和

其中，

(w) (b) (i)

W 为类间的局部加权矩阵，W 为类内的局部加权矩阵，K 为基本核函数，T表示矩阵转置，W为相似矩阵，计算公式如下：其中Nr(x)为x的r个最近邻居，t为设置的常量值；

求解广义特征值得出适合所述无噪声图像的样本系数向量α：设置目标函数：最大化

通过最大化内嵌空间中的局部类间散度，最小化局部类内散度来寻找最优转换矩阵，根据泛化向量分解的方法将上述目标函数转化为：其中，τ1≤τ2≤...≤τn'为最小n个特征值，αi是特征值τi对应的特征向量，构成了α的第i个列向量，由此确定出所述无噪声图像的样本系数向量α，即向量α是一个列向量，其中的每个值用αi表示；

步骤S1025：确定所述核函数的基本核的权重向量w，包括；

计算 和

求解非凸二次约束二次规划问题得到基本核的权重向量w：目标函数为： 即求解满足 的最小w；

步骤S1026：利用确定的无噪声图像的样本系数向量α及基本核的权重向量w以二维矩阵的形式表示所述无噪声图像IF(i,j)；

步骤S1027：将所述二维矩阵降维为一维向量形式。

4.如权利要求1所述的基于人工蝴蝶优化算法的医疗影像处理方法，其特征在于，所述步骤S103：利用人工蝴蝶优化算法从所述无噪声图像IF(i,j)的一维向量形式中提取重要特征，包括：步骤S1031：获取所述无噪声图像IF(i,j)的一维向量形式，构建解向量、适应度函数，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，解向量为一初始化表达式，随机初始化群集中的各个蝴蝶的位置解向量；

所述初始化表达式为：

X＝rand*(ub-lb)+lb

其中ub和lb分别为搜索空间的上下边界，rand为(0,1)之间的随机数；

设计混沌序列用于提高蝴蝶初始化随机搜索的能力，混沌序列表达式为：ci+1＝μci(1-ci)i∈{1,2,...,N}其中μ为混沌因子，c1为(0,1)之间的随机数，且c1≠{0.25，0.5，0.75，1}；

将利用混沌序列映射到初始化公式生成的混沌序列，从而产生相应的新的种群X’：X'＝lb+ci(ub-lb)；

适应度函数表达式如下：

其中ACC为分类精度，N表示特征总数，Nsubset表示选出的特征子集，r和s分别表示权重系数，r+s＝1；

步骤S1032：计算新种群中全部蝴蝶的适应度，对于适应度值高于预设阈值的蝴蝶，将该蝴蝶的适应度更新为该适应度值，并按如下公式更新所述蝴蝶的位置：其中 是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，step是飞行距离，rand()是在(0,1)之间生成的随机数，xk是随机选择的不同于蝴蝶xi的蝴蝶，Lb是蝴蝶xi飞行范围的下边界值，Ub是蝴蝶xi飞行范围的上边界值；

飞行距离step是一个随迭代次数增加而线性减小的量；

设置扰动算子ω·xi，对于适应度值最大蝴蝶xmax，其中，ω是一个自适应得到的、随迭代次数增加而线性减小的量；xi表示混沌值，其计算公式为xi+1＝μxi(1-xi)，μ∈[0,4]

其中，xi为随机生成的第i个位置；

步骤S1033：设置第一迭代次数阈值ξ，若迭代次数k-ξ与当前迭代次数k之间，最大适应度值均未发生变化，则进入步骤S1034；否则，进入步骤S1035；

步骤S1034：更新适应度值最大的蝴蝶的位置；

即按如下公式更新所述蝴蝶的位置：

其中 是第i只蝴蝶进行第t次迭代的位置向量，t是迭代次数，a在迭代过程中从2线性减少到0，rand()是在(0,1)之间生成的随机数，xk是随机选择的不同于蝴蝶xi的蝴蝶；

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：获取群集中适应度值最大的蝴蝶对应的位置向量为解向量，处理解向量，将所述适应度值最大的蝴蝶对应的位置向量通过映射函数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，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。

5.一种基于人工蝴蝶优化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)；

图像特征表达模块：用于基于多核局部判别分析MKLFDA(Multiple kernel local Fisher discriminant analysis)方法构建核函数，从所述无噪声图像IF(i,j)中提取图像的特征矩阵，并将所述特征矩阵降维为一维向量形式；

F

特征选择模块：用于利用人工蝴蝶优化算法从所述无噪声图像I (i,j)的一维向量形式中提取重要特征；

图像识别模块：用于将提取到的所述重要特征输入训练好的相关向量机RVM，得到待处理医疗影像的分类、识别结果。

6.一种基于人工蝴蝶优化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

1-4任一所述的基于人工蝴蝶优化算法的医疗影像处理方法。

7.一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1-4任一所述的基于人工蝴蝶优化算法的医疗影像处理方法。