1.一种基于粒度优化特征的宫颈细胞图像半监督分类方法，其特征在于，包括如下步骤：(1)利用有限的标记训练样本和类别隶属模糊方法，得到测试样本的粒度特征；

(2)使用近邻粗糙集方法去除冗余特征，对粒度特征进行优化，以降低样本粒度特征规模；

(3)利用标记样本训练BP神经网络得到基分类器；

(4)从未标记样本数据中不断选取候选样本进行标记，将新标记的候选样本扩充到原始训练样本中对BP网络进行再次训练，重复扩充和再训练过程，直到标记样本数目达到相应标准；

所述步骤(1)中，类别隶属模糊方法的目标是将每个特征刻画成模糊隶属度，利用类别隶属度信息对原始特征进行重构，具体步骤为：(1‑1)设每个样本有n维特征Fi＝(Fi1,Fi2,…,Fin)，将样本的每一维特征表示成为模糊粒度，得到n×C大小的矩阵：F’i＝[μ1(Fi1),μ2(Fi1),…,μc(Fi1),…,μC(Fi1),μ1(Fi2),μ2(Fi2),…,μc(Fi2),…,μC(Fi2),…,μ1(Fin),μ2(Fin),…,μc(Fin),…,μC(Fin)]；

其中，C为样本类别数目，c＝1,2,…,C，μ1(Fin),μ2(Fin),…,μc(Fin),…,μC(Fin)表示样本的每个维度特征属于不同类别的隶属度；

(1‑2)将每维特征类别的隶属度映射到模糊粒度空间，空间元素为：其中，N是成员函数的模糊度，取值为2，模糊成员函数的中心为r＝(p+q)÷2，p和q是交点；

当训练样本更接近类别C时，r的值更接近于1；当样本更接近交点时，值更接近于0.5；

训练样本中心点r＝mean(Fn)，为第n维特征的平均值；

上述交点的估算公式是：

p＝mean(Fn)‑[max(Fn)‑min(Fn)]÷2，q＝mean(Fn)+[max(Fn)‑min(Fn)]÷2；

其中，max(Fn)和min(Fn)是第n维特征的最大值和最小值；

极值点的估算公式是：

a＝mean(Fn)‑[max(Fn)‑min(Fn)]，b＝mean(Fn)+[max(Fn)‑min(Fn)]；

(1‑3)保存上述训练和测试样本的模糊粒度特征表达形式；

(1‑4)将模糊粒度特征分为条件特征D和决策特征E，条件特征D表示样本的描述性和模式性信息，决策特征E表示分配给条件特征的类别标签。

2.根据权利要求1所述的一种基于粒度优化特征的宫颈细胞图像半监督分类方法，其特征在于，所述步骤(2)的具体步骤为：(2‑1)从空集合开始，逐步选择特征，扩展集合red；

(2‑2)循环开始，对于每个未选中的条件特征集合元素ai进行选择；

(2‑3)循环体内，计算ai依赖因子:(2‑4)循环体内，计算ai特征的重要度Sig(ai,red,D)＝γred∪a(D)‑γred(D)；

(2‑5)循环结束；

(2‑6)选择重要度Sig最大的特征ak；

(2‑7)如果特征ak重要度Sig大于ε，那么将ak加入red集合并且返回第2步，其中，ε是一个正实数，用来控制收敛性；

(2‑8)如果特征ak重要度Sig小于等于ε，那么输出集合red。

3.根据权利要求1所述的一种基于粒度优化特征的宫颈细胞图像半监督分类方法，其特征在于，所述步骤(3)的具体步骤为：(3‑1)初始化设置，将网络所有系数赋值为最小的随机数；

(3‑2)将训练样本特征值赋值给到输入层神经元，将训练样本标签赋值给输出神经元；

(3‑3)计算实际输出：计算隐层，输出层各神经元的输出；

(3‑4)计算期望值与实际输出的误差，误差函数为 其中，L为网络输出结点数，k为任意神经元，t为目标值，o为实际输出值，p为任意样本；

(3‑5)调整输出层的权重系数wki，任意神经元k在样本p作用时的权重增量公式为：其中，η是学习速率；

(3‑6)调整隐层的加权系数wij，任意神经元i在样本p作用时的权重增量公式为：(3‑7)返回第(3‑3)步，指导误差满足要求为止。

4.根据权利要求1所述的一种基于粒度优化特征的宫颈细胞图像半监督分类方法，其特征在于，所述步骤(4)的具体步骤为：(4‑1)选择同一类别的多个未标记测试样本，分别进行下面计算，达到选取若干候选样本的目的；

(4‑2)计算分类器的混淆矩阵CM；

(4‑3)计算每个类别的DS评分：

c

其中，c为类别数目，取值1,2,...,C，V是CM第c行的协方差， 是到第c行的最大可c能方差，Z是CM的第c行零元素数目；

(4‑4)选择DS分值最低的测试样本；

(4‑5)条件1：标记最高信度测试样本；

(4‑6)条件2：计算选取与训练样本距离最近的测试样本；

(4‑7)在满足条件1的测试样本中，选择满足条件2的测试样本为候选样本；

(4‑8)将候选样本加入到训练样本中。