1.一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于：所述的系统包括：基于VLBP模式对肺结节的相邻切片进行局部模式提取的步骤；对提取的局部模式利用正态分布函数进行局部自适应阈值的计算的步骤；计算得到局部三值模式的步骤；

将计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计的步骤，具体为：

1)、利用局部三值模式，以中心像素为中心进行各方向θ的三值概率统计，θ的十三个方向为(0 1 0)；(-1 1 0)；(-1 0 0)；(-1 -1 0)；(0 1 -1)；(0 0 -1)；(0 -1 -1)；(-1 0 -

1)；(1 0 -1)；(-1 1 -1)；(1 -1 -1)；(-1 -1 -1)；(1 1 -1)；

将各方向的三值总和连接形成特征向量：

式中，N1×N2×N3表示三维图像大小，LTP局部三值模式，(i,j,m)表示处于图像第i行第j列第m层的像素，θ表示(i,j,m)的各个方向，且中心像素的邻域半径与方向个数和邻域像素个数的关系：R∈N+，当且仅当P＝4时，θN＝7

式中，θN表示方向个数，P表示领域像素个数，R表示中心像素的邻域半径；

2)、将特征向量进行归一化：

L与R相等；

将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的步骤。

2.根据权利要求1所述的一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于：所述的基于VLBP模式对肺结节的相邻切片进行局部模式提取的步骤为：将所选肺结节切片按顺序排列，顺序为切片1，2，......，n；在每个平面上选取以每个像素为中心，形成3×3×3的邻域像素矩阵，即像素中心与其周围26个邻域像素形成的矩阵。

3.根据权利要求2所述的一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于，所述的对提取的局部模式利用正态分布函数进行局部自适应阈值的计算的步骤为：利用正态分布函数计算所提取的肺结节相邻切片的局部模式的局部自适应阈值，得出局部三值模式：局部三值模式计算公式如下所示：

式中，μ表示根据26个邻域像素值以及中心像素值计算均值得到的中心像素值；gp表示邻域像素；σ表示根据26个邻域像素值以及中心像素值计算均方差得到的固定阈值，k为阈值系数；函数 表示中心像素与邻域像素之间的关系；

局部自适应阈值σ’的计算公式：

式中，xi'表示第i’个像素值，μ表示局部模式像素均值，N表示局部模式像素个数取值为

27。

4.根据权利要求3所述的一种基于体局部方向三值模式的肺结节纹理特征提取系统，其特征在于，所述的将统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的步骤为：

1)、使用KNN分类算法对归一化的特征向量进行肺结节识别；

2)、再利用准确率、混淆矩阵以及受试者操作特征曲线客观地对肺结节纹理特征的识别结果进行评价，其中：(1)肺结节识别结果准确率计算公式如下所示：

式中，TP表示正样本预测结果为正；TNP负样本预测结果为负；FP负样本预测结果为正；

FNP正样本预测结果为负；

(2)混淆矩阵的计算公式如下所示：

式中，元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性；对角线元素表示各模式能够被分类器C正确识别的百分率，而非对角线元素则表示发生错误判断的百分率；

(3)受试者操作特征曲线使用曲线下的面积来度量分类算法的性能，曲线下的面积越接近1，表示系统的性能越好。

5.一种利用上述任一权利要求所述的系统进行的肺结节纹理特征提取方法，其特征在于：所述方法包括以下步骤：步骤一：基于VLBP模式对肺结节的相邻切片进行局部模式提取；

步骤二：对步骤一提取的局部模式利用正态分布函数进行局部自适应阈值的计算，得到局部三值模式；

步骤三：将经步骤二计算得到的局部三值模式，以中心像素为中心进行各方向的三值概率统计，其具体过程为：步骤三一、利用局部三值模式，以中心像素为中心进行各方向θ的三值概率统计，θ的十三个方向为(0 1 0)；(-1 1 0)；(-1 0 0)；(-1 -1 0)；(0 1 -1)；(0 0 -1)；(0 -1 -1)；(-1 

0 -1)；(1 0 -1)；(-1 1 -1)；(1 -1 -1)；(-1 -1 -1)；(1 1 -1)；

将各方向的三值总和连接形成特征向量：

式中，N1×N2×N3表示三维图像大小，LTP局部三值模式，(i,j,m)表示处于图像第i行第j列第m层的像素，θ表示(i,j,m)的各个方向，且中心像素的邻域半径与方向个数和邻域像素个数的关系：R∈N+，当且仅当P＝4时，θN＝7

式中，θN表示方向个数，P表示领域像素个数，R表示中心像素的邻域半径；

步骤三二、将特征向量进行归一化：

L与R相等；

步骤四：将经步骤三统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确。

6.根据权利要求5所述的肺结节纹理特征提取方法，其特征在于：所述的步骤一中，基于VLBP模式对肺结节的相邻切片进行局部模式提取的具体过程为：将所选肺结节切片按顺序排列，顺序为切片1，2，......，n；在每个平面上选取以每个像素为中心，形成3×3×3的邻域像素矩阵，即像素中心与其周围26个邻域像素形成的矩阵。

7.根据权利要求6所述的肺结节纹理特征提取方法，其特征在于，所述的步骤二中，对步骤一提取的局部模式利用正态分布函数进行局部自适应阈值的计算的具体过程为：利用正态分布函数计算所提取的肺结节相邻切片的局部模式的局部自适应阈值，得出局部三值模式：局部三值模式计算公式如下所示：

式中，μ表示根据26个邻域像素值以及中心像素值计算均值得到的中心像素值；gp表示邻域像素；σ表示根据26个邻域像素值以及中心像素值计算均方差得到的固定阈值，k为阈值系数；函数 表示中心像素与邻域像素之间的关系；

局部自适应阈值σ’的计算公式：

式中，xi'表示第i'个像素值，μ表示局部模式像素均值，N表示局部模式像素个数取值为

27。

8.根据权利要求7所述的肺结节纹理特征提取方法，其特征在于，所述的步骤四中，将经步骤三统计得到的各方向的三值概率作为特征向量和KNN分类算法来识别肺结节，并利用准确率、混淆矩阵以及受试者操作特征曲线进行肺结节纹理特征识别结果的评价，得出识别结果是否正确的具体过程为：步骤四一、使用KNN分类算法对归一化的特征向量进行肺结节识别；

步骤四二：再利用准确率、混淆矩阵以及受试者操作特征曲线客观地对肺结节纹理特征的识别结果进行评价，其中：(1)肺结节识别结果准确率计算公式如下所示：

式中，TP表示正样本预测结果为正；TNP负样本预测结果为负；FP负样本预测结果为正；

FNP正样本预测结果为负；

(2)混淆矩阵的计算公式如下所示：

式中，元素的行下标对应目标的真实属性，列下标对应分类器产生的识别属性；对角线元素表示各模式能够被分类器C正确识别的百分率，而非对角线元素则表示发生错误判断的百分率；

(3)受试者操作特征曲线使用曲线下的面积来度量分类算法的性能，曲线下的面积越接近1，表示系统的性能越好。