1.一种基于多特征学习的动脉粥样硬化斑块成分分割方法，其特征在于：所述分割方法包括以下步骤：

1)获取多序列动脉血管斑块图像；

2)图像预处理

选取以动脉血管内壁为中心的ROI作为研究区域，对选取的ROI做灰度值的窗宽、窗位调整，然后对ROI做去噪处理；

3)斑块特征提取及描述

从斑块图像的灰度值、高斯模糊特征、梯度值、斑块到血管内外壁的最近距离、图像的拉普拉斯特征以及斑块的纹理特征分别描述斑块的特征；

4)分类器训练：分类器模型是支持向量机SVM，训练过程如下：(4.1)训练样本的收集与标定

训练样本中，T1序列图像作为参考图像，医生手动标定动脉粥样硬化斑块成分是在T1图像上操作，其他四种序列T1GD、T2、PD和STIR的斑块成分是按照T1标定的结果映射在其上；

(4.2)样本预处理

首先对样本图像做灰度值拉伸操作，使其灰度值分布范围在[0,255]区间范围，然后是对图像去噪声处理，最后是把医生的对斑块成分的标定结果做二值化处理，即把医生标定的斑块的每一种成分储存在的二值矩阵中；

(4.3)训练样本进一步分类和特征量化处理

训练样本的进一步分类是把样本细分为lipid样本集、fibrous样本集、calcium样本集以及hemorrhage样本集；

特征量化处理是把已经提取到的斑块特征做归一化处理，所有特征经过归一化之后形成一个特征向量，该特征向量 如式(10)所示：式中，V表示斑块的灰度值，G表示斑块的高斯模糊值，GM表示灰度值高斯模糊后的灰度特征，L表示拉普拉斯特征，D表示斑块空间位置特征，T表示斑块的纹理特征。；

(4.4)分类器训练，最后四种序列MRI动脉斑块图像共生成4个特征集，每一个特征集训练生成一个分类器，最终得到4个分类器，即lipid分类器，fibrous分类器，calcium分类器，hemorrhage分类器；

5)训练器优化

把样本集分为训练集和测试集两个部分，然后用训练集的样本训练分类器，用得到的分类器检验测试集的识别率，依次判断循环下去，直到得到的训练器分类正确率达到最大值为止，此时得到的分类器认为是最优分类器；

6)对于斑块组织的某一个像素分别用四个分类器计算其隶属于不同组织的程度，过程如下：(6.1)首先把T1GD、T2、PD和STIR斑块组织图像在每个像素点出的特征提取出来；

(6.2)把(6.1)中提取的斑块特征分别放到步骤(5)中优化后的四个分类器中，四种分类器分别计算其隶属于其成分的程度；

(6.3)根据得到的(6.2)中的隶属度竞争排序，把隶属度最高的成分作为最终结果。

2.如权利要求1所述的一种基于多特征学习的动脉粥样硬化斑块成分分割方法，其特征在于：所述分割方法还包括以下步骤：

7)结果的形态学操作，过程如下：

(7.1)把成分分割的结果存储在4个二值图像中，二值图像中1代表组织成分，0代表背景，分别是lipid成分、fibrous成分、calcium成分，hemorrhage成分；

(7.2)然后对每一个二值图像做腐蚀运算，把孤立的分割块滤除；

(7.3)然后做形态学开运算，填补成分块中的空洞以及连通相近的孤立块；

(7.4)最后做图像闭运算，得到动脉粥样硬化斑块成分。

3.如权利要求1所述的一种基于多特征学习的动脉粥样硬化斑块成分分割方法，其特征在于：所述步骤3)中，(a)灰度值为在图像经过去噪处理后的灰度值；

(b)高斯模糊特征

所述高斯模糊特征指的是斑块组织某一点经过高斯模糊之后的灰度值，提取过程是采用一个5*5的高斯核与斑块组织做卷积，如式(2)所示；

式中，σ表示高斯核的尺度，x表示图像的灰度值，I，G分别代表图像原始血管斑块图像和高斯模糊后的图像，“*”是卷积符号；

(c)梯度特征

斑块组织的梯度特征GM：

(d)拉普拉斯特征L：

(e)斑块空间位置特征(到内外壁之间的距离)Dmin(I)＝min||C(I(x))-Lumen(I)|| (5)Dmax(I)＝max||C(I(x))-Lumen(I)|| (6)(f)纹理特征

提取了一阶统计量和灰度共生矩阵特征两类纹理特征，共七个一阶统计量，其中包括斑块内部灰度均值、标准差、差异系数、偏度、峰度、直方图熵和亮度熵；EtHis如式(7)和亮度熵EtBrt如式(8)：其中，Pi(i＝0，1，...，255)是灰阶i在图像中出现的概率,ωi是归一化后不为0的像素强度，N是原图像的像素总数。