1.一种基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，其特征在于：所述的方法包括如下步骤：
步骤一：候选微动脉瘤检测；先对微动脉瘤提取，所述的微动脉瘤提取主要包含血管去除、候选微动脉瘤定位与分割三个步骤；
步骤二：候选微动脉瘤特征的提取；
步骤三：微动脉瘤识别。
2.根据权利要求1所述的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，其特征在于：步骤一中，所述的血管去除方法是：通过分析微动脉瘤与血管的不同梯度分布特性，来实现血管的去除，并在去除血管的同时保留真实的微动脉瘤；将梯度向量x，y分量看作两个随机变量，通过计算并分析目标区域内所有梯度向量分量组成的协方差矩阵；对于视网膜血管，其梯度分量协方差矩阵特征值有一个占优的特征值；而对于微动脉，其对应特征值近似相等。
3.根据权利要求1所述的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，其特征在于：步骤一中，所述的候选微动脉瘤定位的方法是：通过计算候选微动脉瘤多个方向上的二阶导数，来对微动脉瘤进行精确定位。
4.根据权利要求1所述的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，其特征在于：步骤一中，所述的候选微动脉瘤分割的方法是；采用基于局部区域能量的水平集分割方法完成对候选微动脉瘤区域的分割。
5.根据权利要求1所述的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，其特征在于：步骤二中，所述的候选微动脉瘤特征的提取包括几何、对比度、灰度、边缘、纹理、区域描述符以及其他特征七类。
6.根据权利要求5所述的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，其特征在于：
所述的几何特征的提取方法是：候选区域Ω的长短轴之比r1，区域Ω等面积圆的直径与Ω长轴之比r2，区域Ω的面积a、圆度c、离心率e及紧致性；
所述的对比度特征的提取方法是：预处理图像Ip以及原始眼底图像Io在RGB、LUV以及HSI颜色空间上各通道图像中候选区域Ω内最大灰度与候选区域Ω外最小灰度的差值ξ，Ω外区域通过形态学膨胀方法进行获取；
所述的灰度特征的提取方法是：预处理图像Ip以及原始眼底图像Io绿色通道上的Ω区域灰度值之和∑、中心点处归一化灰度值ni以及Ω区域内归一化灰度值均值nm，原始眼底图像Io在RGB、LUV以及HSI颜色空间上各通道图像中区域Ω内外的平均灰度值μin、μout及其对应的标准差σin、σout；
所述的边缘特征的提取方法是：预处理图像Ip上区域Ω边界处梯度幅值的平均值μe；
所述的纹理特征的提取方法是：预处理图像Ip的高斯(LoG)滤波器响应图像上区域Ω内的均值μg(μ1)以及标准差σg(σ1)，其中滤波器尺度参数σ＝1，2，4，8；
所述的区域描述符的提取方法是：预处理图像Ip上候选微动脉瘤中心点处局部邻域窗口内的区域描述符HOG、SURF和GIST，考虑到手工标记的微动脉瘤通常半径在5～10个像素，为了利用微动脉瘤及其周边区域的信息，本发明在31×31像素大小的邻域窗口内进行局部描述符的计算；
所述的其他特征的提取方法是：预处理图像Ip上区域Ω内梯度向量与径向方向间夹角差异的均值μξ及其标准差σξ，预处理图像Ip上区域Ω内外条件数、收敛指数和散度值的均值μκ、μci、μdiv以及标准差σκ、σci、σdiv。预处理图像Ip上区域Ω内独立指数值的均值μii和标准差σii，该孤立指数是在圆形支撑区域(半径为7像素)外的环形区域(宽度为3像素)内平均灰度值与其标准差的比值，区域Ω内条件数、收敛指数、孤立指数与散度值乘积的平均值μwi。
7.根据权利要求1所述的基于梯度向量分析的视网膜图像微动脉瘤自动检测与识别方法，其特征在于：步骤三中，所述的微动脉瘤识别的方法是：首先利用经验阈值去除一些明显的非微动脉瘤，如候选微动脉瘤面积a不在2～150范围内，或者长短轴比r1小于0.3，则将训练专门的样本不均衡分类器RUSBoost来对微动脉瘤进行识别。