1.一种基于关联矩阵自学习及显式秩约束的医学图像分割方法，包含以下步骤：步骤1，CT机拍摄人体CT图像，得到DICOM文件，解析并读取图像像素数据。修改图像数据的灰度级，再进行直方图均衡化操作，增强图像区域成分的对比度，使图像细节更加清晰；针对目标分割区域进行滤波，并利用滤波器进行滤波处理，直至CT图像达到最适合分割的效果；

步骤2，将预处理后的图像像素数据依次等分为n个像素块x，每个像素块x包含m个像素元素，并将其合并为m×n维矩阵X＝[x1,x2,…,xn]∈Rm×n输入基于关联矩阵自学习及显式秩约束算法模型，其中关联矩阵自学习及显式秩约束算法模型由如下步骤构建：输入：图像像素数据X＝[x1,x2,…,xn]∈Rm×n，图像目标分割区域数目c，迭代最大值tm，模型参数k、α、μ、λ和γ；

S1：设μ＝λ＝0，依式(1)计算初始化相似度矩阵S0，并计算Laplacian矩阵Ls0和投影矩0

阵F，并将t置为1；

其中，si∈n×1是相似度矩阵S∈Rn×n的第i列向量，第j个元素为sij，表示像素块xi和xj属于图像同一类目标区域的可能性，即相似度；辅助变量gi的元素gij＝μ||zi-zj||22+||xi-xj||22+λ||fi-fj||22，||·||2为L2范数，表示所有元素平方和的平方根。zi∈n×1是系数Z矩阵的第i列向量，zj∈n×1是Z矩阵的第j列向量，系数矩阵Z可由公式(3)得到；xi∈m×1是第i个m维输入像素块，xj∈m×1是第j个m维输入像素块；投影矩阵F∈Rn×c是拉普拉斯矩阵Ls相应c个最小特征值的特征矢量，fi∈c×1是F矩阵的第i行向量，fj∈c×1是F矩阵的第j行向量，当相似度矩阵S已知时，可直接通过Ls的特征分解求取，由前c个最小特征值相应的特征矢量组成；拉普拉斯矩阵 Ds∈Rn×n为对角矩阵，对角线元素为∑j(sij+sji)/2；为获得最优si，取γi＝(kgi,k+1-Σj＝1kgij)/2，k为邻域参数，则si由计算公式(2)调整为：t

S2：固定S，依Sylvester公式(3)计算Z；

αXTXZ+μZLs＝αXTX   (3)

S3：固定Z，依次按式(2)求解相似度向量si并组建成St；

S4：更新Laplacian矩阵Lst并计算投影矩阵Ft；

t t

投影矩阵F由Ls 特征分解，求得c个最小特征值以及每个特征值对应的特征向量，为n×1向量，c个特征向量排列在一起组成的n×c的Ft矩阵；

S5：检查目标函数值(式(4))<1e-3或t≥tm是否满足，如是则终止算法；反之则令t＝t+

1，算法循环至第3步继续进行；

其中tr(·)为矩阵的迹，表示矩阵主对角线上各元素的总和，||·||F为Frobenious范数，表示所有元素平方和的平方根。1为一列全1向量；

输出：投影矩阵F；

步骤3：F矩阵的每一行为c维空间的一个向量，对应图像像素数据X的一个像素块，n行c维向量对应n个像素块，使用matlab中的k-means函数对F矩阵的每一行进行聚类，划分为c类，并将每一类对应的像素块标记，将感兴趣的区域类别的像素块置为为白色，其余区域置为黑色。