1.一種基于條件隨機(jī)場的二維CT圖片中脂肪位置識(shí)別方法，其特征在于，包括如下步驟：
步驟一：確定若干張用于進(jìn)行條件隨機(jī)場訓(xùn)練的、脂肪位置能被清晰識(shí)別的的原始CT圖像；
步驟二：對(duì)各個(gè)原始CT圖像的各個(gè)像素點(diǎn)進(jìn)行最終特征向量提取，具體包含如下步驟：
步驟2.1：確定圖中各個(gè)像素點(diǎn)的四個(gè)特征向量，分別為：像素值、像素塊均值、方向梯度直方圖、HoG塊；
步驟2.2：將各像素點(diǎn)的四個(gè)特征向量聯(lián)合組成一個(gè)向量，該向量為該像素點(diǎn)的最終特征向量；
步驟三：將各個(gè)像素點(diǎn)的最終特征向量作為該點(diǎn)的描述子來表達(dá)對(duì)應(yīng)原始CT圖片的信息；
步驟四：利用各個(gè)原始CT圖像中的描述子對(duì)分類器進(jìn)行概率輸出訓(xùn)練；
步驟五：根據(jù)步驟四的訓(xùn)練，得到一個(gè)CRF模型；
步驟六：利用CRF模型對(duì)待檢測脂肪位置的CT圖像進(jìn)行脂肪位置識(shí)別。
2.如權(quán)利要求1所述的基于條件隨機(jī)場的二維CT圖片中脂肪位置識(shí)別方法，其特征在于，步驟2.1中，像素塊均值的計(jì)算方法為：以被計(jì)算像素點(diǎn)的坐標(biāo)位置為中心，獲取覆蓋中心周圍N*N個(gè)像素點(diǎn)范圍內(nèi)所有的像素值，計(jì)算這些像素值的均值，其中，N為整數(shù)。
3.如權(quán)利要求1所述的基于條件隨機(jī)場的二維CT圖片中脂肪位置識(shí)別方法，其特征在于，步驟2.1中，HoG塊的獲取方法為：以被計(jì)算像素點(diǎn)的坐標(biāo)位置為中心，獲取覆蓋中心周圍M*M個(gè)像素點(diǎn)范圍內(nèi)所有的方向梯度直方圖,這些方向梯度直方圖形成HoG塊，其中，M為整數(shù)。
4.如權(quán)利要求1所述的基于條件隨機(jī)場的二維CT圖片中脂肪位置識(shí)別方法，其特征在于，所述分類器為支持向量機(jī)。
5.如權(quán)利要求1所述的基于條件隨機(jī)場的二維CT圖片中脂肪位置識(shí)別方法，其特征在于，所述分類器為人工神經(jīng)網(wǎng)絡(luò)分類器。
6.如權(quán)利要求1所述的基于條件隨機(jī)場的二維CT圖片中脂肪位置識(shí)別方法，其特征在于，所述分類器為貝葉斯分類器。