1.一种时变数据的特征提取与追踪方法，其特征在于：所述方法包括如下步骤：

1)最佳化GMM准则产生，过程如下：

1.1，对于原始时变数据，应用基于直方图的自动对比度增强方法增强它们的对比度，并利用全局最大值和最小值将它们归一化至[0，1]范围内；

1.2，用户需要观察对比度增强的时变数据，从中选择一个包含他们感兴趣的特征的时间步，并从该时间步任选两张切片且利用鼠标自由地在这些切片上标记出他们感兴趣的特征；

1.3，对于每个被用户标记为特征的体素，找到以它为中心，以11×11为窗口大小的邻域，并利用离线Expectation Maximization算法来计算出该邻域内数据的GMM，该GMM能够简洁地表示出该体素邻域内的数据分布情况；所有这些标记为特征的体素所产生的高斯混合模型构型了一个集合，称之为候选GMM准则；

1.4，将遗传算法应用于候选GMM准则，以过滤掉那些可能产生假阳的GMM准则，从而保留了一组可以产生真阳的GMM准则，称这组GMM准则为最佳化GMM准则；

2)全局特征提取，过程如下：

2.1，利用公式(3)和(4)计算出每个前景体素邻域的GMM与最佳化GMM准则的巴氏距离d(v)：其中，w，w′分别代表两个高斯分量权重；μ，μ′代表两个高斯分量的平均值；Σ，Σ′代表两个高斯分量的方差；

2.2，用公式(5)将巴氏距离转换成概率：

其中，exp()表示指数函数，p(v)表示体素v属于特征的概率，p(v)值越大，说明体素v属于特征的概率越大；反之，如果p(v)值越小，说明体素v属于特征的概率越低，D由公式(6)计算：这里，MD代表匹配度参数，它由用户指定，用来控制一个前景体素v属于特征的严格程度，MD值越大，则拥有较大d(v)的前景体素也可以属于特征；反之，如果MD值越小，则拥有较大d(v)的前景体素不可能属于特征；

2.3，采用阈值法来过滤掉那些概率值p(v)较小的前景体素；至此，对于时变数据的每个时间步，从中提取出了与用户标记相似的特征；

3)全局特征追踪，过程如下：

3.1，将3D连通域分析应用于每个时间步所对应的概率数据p(v)上，从而过滤掉那些连通域较小的特征，即如果某特征连通域＜阈值，则将其概率设置为0；同时，在应用3D连通域过程中，我们将每个时间步的所有特征相应地贴上标签；

3.2，对于每两个连续时间步的任意两个特征，如时间步t的某个特征ft和时间步t+1的某个特征ft+1，我们计算它们形心之间的欧氏距离dc：其中， 表示特征ft的形心向量， 表示特征ft+1的

形心向量；

3.3，利用如公式(8)所示的Chi‑Squared直方图距离来计算它们直方图之间的相似性dh：其中 和 分别代表直方图hft和hft+1的第i个柱子；此外，使用公式(9)来归一化dh：其中，sft和sft+1表示特征ft和ft+1的体素集合；

3.4，在特征ft和ft+1之间建立一条有向边e(ft，ft+1)，并令该边的权重we(ft，ft+1)＝dh，该边的权重we(ft，ft+1)表示由特征ft追踪到特征ft+1的可能性，权重越高，则特征ft追踪到特征ft+1的可能性越低；反之，如果权重越低，则特征ft追踪到特征ft+1的可能性越高；至此，建立起一张有向无环图，在该图中，每个节点表示位于某个时间步的一个独立特征，特征间有向边的权重dh表示特征间追踪可能性；由于该图记录了所有时间步中所有特征间追踪的可能性，称之为全局追踪图GTG；为了让GTG更稀疏，我们设立一个条件：如果dc小于一个阈值，则建立这条边，否则不建立，该条件符合一个特征会在两个连续时间步间缓慢移动的假设；

3.5，在GTG上应用Djikstra算法来追踪用户所选择的特征；为此，用户需要在GTG上指出两个节点：一个是特征开始节点，另一个是特征结束节点，基于这两个节点，Djikstra算法便能够自动地以全局的角度来追踪该特征；

4)可视化，过程如下：

利用体绘制以动画的形式可视化追踪的特征及其所处环境。

2.如权利要求1所述的一种时变数据的特征提取与追踪方法，其特征在于：所述步骤4)中，在体绘制过程中，为了避免引入新的颜色，使用最近邻域插值。

3.如权利要求1或2所述的一种时变数据的特征提取与追踪方法，其特征在于：所述1.4的过程如下：

1.4.1，将候选GMM准则编码成一个二进制字符串s，s的每一位对应一个特定的候选GMM准则，如果s的某位为1，则代表该位对应的候选GMM准则被选择为最佳化GMM准则，如为0则代表没有被选择为最佳化GMM准则；

1.4.2，基于该编码，可以产生父种群的一组二进制字符串s，其中s的每一位被随机分配为0或1；对于该父种群中每个二进制字符串s，它都会有一个适应度，该适应度越高，代表s所对应的GMM准则组合越能很好地预测目标特征；反之，如果适应度越低，则代表s所对应的GMM准则组合不能很好地预测目标特征；假设v代表两张选择切片上的前景体素，ns(v)表示一个体素v可以匹配的二进制字符串s中GMM准则的数量，t代表用户所选择的特征，那么定义如下集合：其中，TPs表示真阳集，在真阳集中，v不仅属于标记特征，还匹配s中的GMM准则；TNs表示真阴集，在真阴集中，v不属于标记特征，也不匹配s中的任何GMM准则；FPs表示假阳集，在假阳集中，v不属于标记特征，但它匹配s中的GMM准则；FNs表示假阴集，在假阴集中，v属于标记特征，但它不匹配s中的任何GMM准则，P代表属于标记特征的体素的集合，N代表不是特征的体素的集合；有了上面这些集合，用公式(2)来计算每个字符串s的适应度：

1.4.3，使用Tournament Selection算法来随机选择父种群中拥有高适应度的二进制字符串，并对它们应用交叉和变异以获得子代的一组二进制字符串s，这里，再次使用公式(1)和(2)来计算该子代每个二进制字符串s的适应度；

1.4.4，把子代变为父代，并用它们继续产生下一代；

1.4.5，一直重复1.4.3和1.4.4直到每一代最大的适应度获得收敛，最后，通过解码最后一代中具有最大适应度分数的那个二进制字符串s，获得最佳化GMM准则。