1.一种基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，基于Dirichlet过程无限Student’s t混合模型，将无限Student’s t混合模型中的分量数假设为预设的图像的分割数K，然后利用期望最大化算法对模型进行求解，再利用贝叶斯最大后验概率准则进行图像分割。

2.根据权利要求1所述的基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，包括如下在先步骤：先在需要进行分割的待处理图像中去除非脑部组织的部分，得到预处理图像；

再利用预处理图像的灰度作为特征，将预处理图像的灰度矩阵拉直变为列向量，作为输入向量。

3.根据权利要求2所述的基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，假设输入向量符合Student’s t混合模型，利用期望最大化算法得到最大化模型的参数；再利用最大化模型，根据贝叶斯最大后验概率准则得到输入向量对应的标签向量；将标签向量转化为与待处理图像相同的矩阵形式，得到核磁共振图像的分割结果。

4.根据权利要求3所述的基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，假设输入向量符合Student’s t混合模型，以概率1离散的截断Dirichlet过程作为数据的先验分布，表示如下：

wj～Beta(1,α)；

其中，α是模型中的超参数，K是预设的图像的分割数；

则，截断Dirichlet过程的无限Student’s t混合模型表示如下：

其中，Ψ表示模型中的所有参数，N是待处理图像中像素总数，xj表示待处理图像中的第j个像素点，μi,Σi,νi是Student’s t分布的三个参数：均值，协方差和自由度，πi是先验概率，满足：πi≥0；

5.根据权利要求4所述的基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，向截断Dirichlet过程的无限Student’s t混合模型中引入两个丢失的信息z、u；

当xj属于第i个类别时，zij＝1，否则zij＝0；

当zij＝1时，有xj|uj,zij＝1～Ν(μi,Σiuj-1)，且则，截断Dirichlet过程的无限Student’s t混合模型的目标函数L(Ψ)为：

6.根据权利要求5所述的基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，利用期望最大化算法EM算法的E步对丢失的信息z和u进行估计：第j个像素点属于类别i的后验概率表示为第j个像素点属于类别i概率占该像素点属于所有可能类别的概率的比例：

伽马分布作为uij的共轭先验，并利用伽马分布计算得到uij的后验，然后根据后验的均值计算得到

7.根据权利要求6所述的基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，利用期望最大化算法EM算法的M步对目标函数L(Ψ)求导，计算得到截断Dirichlet过程的无限Student’s t混合模型中的如下参数：

其中， 是迭代期望最大化算法的E步中vi的值。

8.根据权利要求7所述的基于截断Dirichlet过程无限Student’s t混合模型的脑部核磁共振图像分割方法，其特征在于，循环迭代期望最大化算法的E步和M步，直到算法收敛。