1.一种主动学习的肝脏损伤类别的图像检测方法，其特征在于，包括以下步骤：步骤1，使用肝脏主动形状模型从腹部医学图像测试集中定位并提取肝脏目标区域，腹部医学图像测试集中包含腹部医学图像；

步骤2，定义和提取肝脏目标区域中像素点的方向模式特征向量和灰度幅度变化模式特征向量；

步骤3，基于肝脏目标区域中像素点局部密度和到更大密度像素点最小距离二维空间的肝脏像素密度聚类中心定义和聚类划分；

步骤4，基于肝脏像素密度聚类边缘、聚类中心和聚类划分的主动学习方法进行肝脏损伤类别的图像检测。

2.根据权利要求1所述的方法，其特征在于，步骤1包括：肝脏主动形状模型的几何形状参数包括平移量t、旋转量r和缩放量s，以及纹理缩放参数，所述纹理缩放参数包括全局增缩参数u和偏差参数w；将上述几何形状参数记为模型参数p，p＝{t,r,s,u,w}，模型参数对应的增量为Δp，Δp＝{Δt,Δr,Δs,Δu,Δw}，通过如下公式对模型参数p进行k次线性模型迭代更新：

其中，i取值范围为1～k，当经过k次线性模型迭代更新后，肝脏模板与腹部医学图像的部分区域均方差最小时，定位并提取此腹部医学图像区域为肝脏目标区域。

3.根据权利要求2所述的方法，其特征在于，步骤2包括以下步骤：步骤2-1，假设提取的肝脏目标区域中像素点Ic及其8邻域像素点的空间关系如下表所示：I6 I7 I8

I5 Ic I1

I4 I3 I2

其中，I1、I2、I3、I4、I5、I6、I7和I8为像素点Ic的邻域像素点，分别计算以像素点Ic的4邻域像素点I1、I3、I5和I7为中心的五个方向的灰度差；

步骤2-2，分别计算以像素点Ic的4邻域像素点I1、I3、I5和I7为中心的方向模式数特征，构造像素点Ic的方向模式特征向量{fc,1,fc,2,fc,3,fc,4}，即统计4邻域像素点在5个方向中灰度差小于0的个数：fc,1＝Num(D1<0,D2<0,D3<0,D4<0,D5<0)，其中D1为像素点I8和像素点I1的灰度差，D2为像素点I7和像素点I1的灰度差，D3为像素点Ic和像素点I1的灰度差，D4为像素点I3和像素点I1的灰度差，D5为像素点I2和像素点I1的灰度差；

fc,2＝Num(D6<0,D7<0,D8<0,D9<0,D10<0)，其中D6为像素点I2和像素点I3的灰度差，D7为像素点I1和像素点I3的灰度差，D8为像素点Ic和像素点I3的灰度差，D9为像素点I5和像素点I3的灰度差，D10为像素点I4和像素点I3的灰度差；

fc,3＝Num(D11<0,D12<0,D13<0,D14<0,D15<0)，其中，D11为像素点I4和像素点I5的灰度差，D12为像素点I3和像素点I5的灰度差，D13为像素点Ic和像素点I5的灰度差，D14为像素点I7和像素点I5的灰度差，D15为像素点I6和像素点I5的灰度差；

fc,4＝Num(D16<0,D17<0,D18<0,D19<0,D20<0)，其中，D16为像素点I6和像素点I7的灰度差，D17为像素点I5和像素点I7的灰度差，D18为像素点Ic和像素点I5的灰度差，D19为像素点I1和像素点I7的灰度差，D20为像素点I8和像素点I7的灰度差；

步骤2-3，计算像素点Ic的4邻域像素点I1、I3、I5和I7为中心的五个方向幅度变化模式数特征，构造像素点Ic的灰度幅度变化模式特征向量{gc,1,gc,2,gc,3,gc,4}，即统计4邻域数据点I1、I3、I5和I7五个方向的幅度变化值大于像素点Ic五个方向的幅度变化值的个数：

其中，M1,1表示像素点I1与相邻的像素点I8、I7、Ic、I3和I2的灰度幅度变化值，计算公式为：

M1,2表示像素点Ic与相邻的像素点I8、I7、I1、I3和I2的灰度幅度变化值，计算公式为：

其中，E1为像素点I8和像素点Ic的灰度差，E2为像素点I7和像素点Ic的灰度差，E3为像素点Ic和像素点I1的灰度差，E4为像素点I3和像素点Ic的灰度差，E5为像素点I2和像素点Ic的灰度差；

其中，M3,1表示像素点I3与相邻的像素点I2、I1、Ic、I5和I4的灰度幅度变化值，计算公式为：

其中，M3,2表示像素点Ic与相邻的像素点I2、I1、I3、I5和I4的灰度幅度变化值，计算公式为：

其中，E6为像素点I5和像素点Ic的灰度差，E7为像素点I4和像素点Ic的灰度差；

其中M5,1表示像素点I5与相邻的像素点I4、I3、Ic、I7和I6的灰度幅度变化值，计算公式为：

其中M5,2表示像素点Ic与相邻的像素点I4、I3、I5、I7和I6的灰度幅度变化值，计算公式为：

其中，E8为像素点I6和像素点Ic的灰度差；

其中，M7,1表示像素点I7与相邻的像素点I6、I5、Ic、I1和I8的幅度变化值，计算公式为：

其中M7,2表示像素点Ic与相邻的像素点I6、I5、I7、I1和I8的幅度变化值，计算公式为：

4.根据权利要求3所述的方法，其特征在于，步骤3包括以下步骤：步骤3-1，计算肝脏目标区域中所有像素点高维特征之间的欧氏距离：设步骤1中定位和提取的肝脏目标区域共有N个像素点v1,v2,…,vN，根据步骤2提取每个像素点的方向模式特征向量和灰度幅度变化模式特征向量，计算任意两个像素点vm和vn之间的欧氏距离dm,n为：

其中fm,l表示像素点vm的第l个方向模式特征，fn,l表示像素点vn的第l个方向模式特征，gm,l表示像素点vm的第l个灰度幅度变化模式特征，gn,l表示像素点vn的第l个灰度幅度变化模式特征；

步骤3-2，计算每个像素点的局部密度和每个像素点到比其密度更大的像素点的最小距离：局部密度ρi定义为像素点vi到周围相邻像素点的距离小于阈值dc的像素点个数，通过如下公式计算像素点vi的局部密度ρi：

其中函数 di,j表示像素点vi到vj的欧氏距离；

通过如下公式计算像素点vi到任意比它密度大的像素点vj的最小距离δi：

其中ρj表示像素点vj的局部密度；

步骤3-3，基于两维参数空间的肝脏像素密度聚类中心定义和聚类划分：肝脏像素密度聚类中心Clusters定义为局部密度大于密度阈值ρc，且与比其密度更大的像素点的距离大于最小距离阈值δc的像素点：Clusters＝{i|(ρi>ρc)&(δi>δc)}，确定聚类中心后，聚类的类别数为密度聚类中心的个数，除聚类中心像素点以外的像素点划分到距离聚类中心最近的聚类簇中。

5.根据权利要求4所述的方法，其特征在于，步骤4包括：聚类边缘Edges定义为局部密度小于密度阈值ρc，且与比其密度更大的像素点的距离大于最小距离阈值δc的像素点：Edges＝{i|(ρi<ρc)&(δi>δc)}，选择聚类边缘的像素点作为最不确定性样本集，标注聚类边缘的像素点的损失类别，并添加到标注过的数据集；

选择步骤3-3定义的聚类中心的像素点作为最有代表性的样本集，标注聚类中心的像素点的损伤类别，并添加到标注过的数据集；

与聚类中心同簇的没有标注过的像素点直接标注为聚类中心的损伤类别。