1.一种基于局部熵和水平集算法的颅内出血区域三维分割方法，其特征在于：该方法具体包括以下步骤：S1：输入多帧MRI图像；

S2：初始化水平集函数，设置参数惩罚项系数μ和高斯核函数Kσ的大小；

S3：计算局部熵和自适应长度项系数，根据推导式迭代计算全局和局部项的均值；具体包括以下步骤：S31：根据局部描述子设置局部数据项及全局项，得到自适应权重模型；

S32：将自适应长度项系数定义为v＝λ*h+l，其中，λ为一个正常数，l为一个很小的正常数，避免v过早为零，h为局部熵，表达式为 其中f(x,y)是点(x,y)的灰度值，p是该点在区域Ω的灰度值概率分布；能量函数中的长度项表达式为：El＝(λ*h+l)length(V)，V为演化曲面；

S4：利用计算出的局部熵作为自适应权重模型调整全局项和局部项的权重，利用计算出的自适应长度项系数来改变曲面演化速度；

曲面V的能量泛函为：

E＝(1‑w)Eglobal(V,d1,d2)+wElocal(V,f1,f2)+El+Eρ其中，w表示全局项和局部项的权重，Eglobal(V,d1,d2)表示全局数据项，Elocal(V,f1,f2)表示局部数据项，Eρ为距离正则项，其表达式为： 其中，μ为参数惩罚项系数，是正常数，φ为水平集函数；

S5：利用梯度下降法演化水平集函数，对图像进行三维分割。

2.根据权利要求1所述的一种基于局部熵和水平集算法的颅内出血区域三维分割方法，其特征在于，所述步骤S31具体包括：S311：(1)结合全局信息和局部信息，数据项分为全局项和局部项，其中全局项利用全局信息，计算前景和背景之间的相似性，当相似性最小时，即全局能量项最小时，得到的分割结果最好；

2 2

Eglobal(V,d1,d2)＝∫∫in(V)|I(x,y,z)*Kσ‑d1|dxdydz+∫∫out(V)|I(x,y,z)*Kσ‑d2|dxdydz其中，Eglobal(V,d1,d2)表示全局数据项，V表示演化曲面，I(x,y,z)表示在点(x,y,z)处的灰度值，Kσ为高斯核函数，d1、d2表示曲面内外的灰度值，in(V)、out(V)表示曲面内外的区域；

(2)局部项利用局部信息，采用统计每个小领域中的信息，再统计每个领域的信息，保证曲面在演化过程中有效利用图像信息，驱使曲面向边界靠近；

2 2

Elocal(V,f1,f2)＝∫∫Kσ|I(x,y,z)*‑f1|dzdydx+∫∫Kσ|I(x,y,z)*‑f2|dzdydx其中，Elocal(V,f1,f2)表示局部数据项，f1、f2分别表示局部区域曲面内外灰度均值；

S312：计算归一化局部熵，定义为 表示全局项和局部项的权重，其中， f(x,y)是点(x,y)的灰度值，p是该点在区域Ω的灰度值概率分布；

S313：根据计算的归一化局部熵来演化曲面，数据项表达式为：Edata＝(1‑w)Eglobal(V,d1,d2)+wElocal(V,f1,f2)，即为局部项和全局项的权重自适应模型；当曲面处于均匀区域时，远离边界，w趋向于0，此时全局项起主导作用；当曲面处于不均匀时，w∈(0,1]，此时局部项逐渐开始起作用。

3.根据权利要求2所述的一种基于局部熵和水平集算法的颅内出血区域三维分割方法，其特征在于，所述步骤S5具体包括：S51：总能量函数引入水平集函数：

其中，H(x)是Heaviside函数，实际上，Heaviside函数近似于Hε(x)，其定义如下：Dirac函数为： 其中ε为正常数；

S52：最小化水平集函数得到：

2 2

其中，e1＝(1‑w)[‑|I(x,y,z)*Kσ‑d1|+|I(x,y,z)*Kσ‑d2|]，e2＝w[‑∫Kσ|I(x,y,z)‑f1|

2 2

dxdydz+∫Kσ|I(x,y,z)‑f2|dxdydz]；

S53：对于得到的能量泛函，利用梯度下降法进行求解，然后固定水平集函数，用欧拉‑拉格朗日方程求解变量的迭代方程：S54：更新变量的迭代方程来更新水平集函数，直到水平集函数达到收敛，得到分割结果。