1.一种基于数据集的肝脏CT图像分类方法，其特征在于，包括以下步骤：(1)、构建肝脏CT图像数据集；

(2)、对数据集中肝脏CT图像进行预处理，提取出大小相同且不包含肿瘤和血管的肝脏感兴趣区域；

(3)、对其感兴趣区域计算CT值；

(4)、对未知的肝脏CT图像提取HVNLTP特征；

(5)、分块统计直方图；

(6)、采用支持向量机进行分类识别。

2.根据权利要求1所述的一种基于数据集的肝脏CT图像分类方法，其特征在于：在步骤(1)中，所述构建肝脏CT图像数据集，将肝脏CT图像分为肝功能正常CT图像和肝功能异常CT图像。

3.根据权利要求1所述的一种基于数据集的肝脏CT图像分类方法，其特征在于：在步骤(2)中，所述对数据集中肝脏CT图像进行预处理的具体步骤是：(2.1)、对于大小为512×512像素的肝脏CT图像提取出大小38×38像素的ROI区域；

(2.2)、在选取过程中，1)、避开血管区域：血管在CT图像中属于高亮区域，若选择此区域，则导致之后的分类识别不准确；2)、避开肿瘤区域：肿瘤不能反映一个人的肝脏好坏程度，病变集中体现的肿瘤区域不能作为区分肝脏等级的指标。

4.根据权利要求1所述的一种基于数据集的肝脏CT图像分类方法，其特征在于：在步骤(3)中，所述对其感兴趣区域计算CT值具体是；

CT值计算公式：

CT＝pixel*slope+intercept                                  (1)其中，pixel表示该像素点的值，slope，intercept分别表示是从DICOM Tag信息中坐标(0028|1052)：rescale和坐标(0028|1053)：rescale slope中的数值；

将该数值保存为txt格式存放在对应的目录下。

5.根据权利要求1所述的一种基于数据集的肝脏CT图像分类方法，其特征在于：所述步骤(4)中，所述对未知的肝脏CT图像提取HVNLTP特征的具体步骤：(4.1)、给定一个位于3×3正方形邻域内的中心像素值Ci，其八个方向的邻域像素值为Ap，p＝1:8，HVNLTP的邻域差值是中心像素值与相邻八个方向像素值的差的绝对值之和再求平均；邻域差值的计算公式如式(2)：其中，Ni表示是HVNLTP的邻域差值；

(4.2)、对于一个N×N像素的区域，每一个3×3像素的区域进行邻域差值的计算，得到一个由中心像素Na，a＝1:N‑2构成的(N‑2)×(N‑2)像素的正方形区域，将该区域记为N；

(4.3)、给定一个3×3像素的区域，中心像素值记为H5，相邻像素值以水平编码方式分别记为[H1、H2、H3、H4、H6、H7、H8、H9]；水平差值的计算公式如式(3)：Ii,i＝1:8＝Hi+1‑Hi    (3)；

其中，Ii表示是HVNLTP的水平差值；

(4.4)、水平编码的计算公式如式(4‑5)：(4.5)、对于一个N×N像素的区域，每一个3×3像素的区域进行水平编码的计算，得到一个由中心像素Ha，a＝1:N‑2构成的(N‑2)×(N‑2)像素的正方形区域，将该区域记为H；

(4.6)、给定一个3×3像素的区域，中心像素值记为V5，相邻像素值以垂直编码方式分别记为[V1、V2、V3、V4、V6、V7、V8、V9]。垂直差值的计算公式如式(6)：Ji,i＝1:8＝Vi+1‑Vi     (6)；

其中，Ji表示是HVNLTP的垂直差值；

(4.7)、垂直编码的计算公式如式(7‑8)：(4.8)、对于一个N×N像素的区域，每一个3×3像素的区域进行垂直编码的计算，得到一个由中心像素Va，a＝1:N‑2构成的(N‑2)×(N‑2)像素的正方形区域，将该区域记为V；

(4.9)、将N、H和V区域的像素级联，得到邻域水平垂直三值模式，如式(9)：PHVNLTP＝[Na Ha Va]     (9)；

(4.10)、对于级联后的区域P，利用三值模式进一步转换为2个二值模式，采用局部三值模式的概念，如式(10)：

其中，Pi表示是中心像素，t表示是阈值；

(4.11)、将HVNLTP分为HVNLTP_U和HVNLTP_L，如式(11‑14)：

6.根据权利要求1所述的一种基于数据集的肝脏CT图像分类方法，其特征在于：所述步骤(5)中，所述分块统计直方图具体是：(5.1)、对于给定图像中的每个像素，计算HVNLTP_U和HVNLTP_L的两个部分，并建立上、下两个部分的直方图，如式(15)、(17)：其中，HVNLTP_U的图像大小为M*N。

(5.2)、在生成上、下三值模式的直方图后，将两者级联，以获得整个图像的直方图，如式(19)：

hHVNLTP＝hHVNLTP_U[U]+hHVNLTP_L[L]                          (19)。

7.根据权利要求1所述的一种基于数据集的肝脏CT图像分类方法，其特征在于：在步骤(6)中，所述支持向量机分类是一种监督学习模型；其根据训练数据建立模型，生成预测目标值，然后将数据分配到相应的类别中。