1.一种联合一阶和二阶特征的脑肿瘤MRI图像分类方法，其特征是，包括：获取待分类的脑肿瘤MRI图像，对脑肿瘤MRI图像进行预处理；

以预训练的ResNet18网络作为图像分类网络模型的主干网络，利用主干网络提取预处理后的脑肿瘤MRI图像的初始特征向量；其中，将预训练的ResNet18网络作为主干网络时，将预训练的ResNet18网络中最后一个下采样层去除；

基于初始特征向量，通过全局平均池化获取脑肿瘤MRI图像的一阶特征向量；

基于初始特征向量，通过协方差池化获取脑肿瘤MRI图像的二阶特征向量，以此建模特征之间的关系和空间结构，包括：通过线性投影操作对初始特征向量的维度进行压缩，以减少计算量；

利用重塑操作对压缩后的初始特征向量的维度进行分组，以减少计算消耗；具体的，以符号来表示特征向量的大小，即压缩后的初始特征向量 ，重塑操作的计算过程为： ；其中， 表示重塑操作，通过重塑操作，对 进行分组，分组后的特征向量记为 ，M表示分组的数量，H、W分别表示高度和宽度，C表示通道数；

针对分组后的每一组的特征向量，分别进行协方差池化，得到协方差矩阵；具体的，在每个组上分别计算协方差池化，首先将分组后每组的特征矩阵记为 ，即 表示分组后第i个组的特征， ， 表示分组后的特征 的维度；然后对 的空间维度执行展平操作，即 ；最后在每组上的协方差计算过程为： ，其中， ，和 分别表示 的单位矩阵和全1矩阵， ；

利用L2归一化方法对所有协方差矩阵进行归一化操作；

拼接归一化后的多组协方差矩阵，获得最终的协方差矩阵；

基于最终的协方差矩阵，依次通过下采样操作和展平操作，得到图像的二阶特征向量；

基于一阶特征向量和二阶特征向量，通过对应的分类器分别进行类别预测，再将两种类别预测结果相加融合，得到最终的待分类的脑肿瘤MRI图像的分类结果；具体的，联合预测的过程为： ；

其中， 和 表示用于分类的特征矩阵，实际上 和 的实现是两个不同的全连接层，该全连接层作为分类器，其输入的维度大小是特征 和 的维度数量，其输出的维度大小则是分类的类别数量， 和 分别表示一阶特征向量和二阶特征向量。

2.如权利要求1所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法，其特征是，所述预处理包括对脑肿瘤MRI图像进行图像尺寸调整。

3.如权利要求1所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法，其特征是，所述图像分类网络模型的训练过程包括：获取标注不同脑肿瘤类型的脑肿瘤MRI图像数据集；

对图像数据集中的图像进行预处理，包括图像增强和图像尺寸调整；

构建图像分类网络模型，利用预处理后的图像数据集训练所述图像分类网络模型，利用反向传播更新网络参数进行学习，直至达到最大迭代次数，完成模型的训练。

4.如权利要求3所述的联合一阶和二阶特征的脑肿瘤MRI图像分类方法，其特征是，所述图像增强包括随机水平翻转图像、随机垂直翻转图像以及随机旋转图像。

5.一种联合一阶和二阶特征的脑肿瘤MRI图像分类系统，其特征是，包括：图像获取及预处理模块，用于获取待分类的脑肿瘤MRI图像，对脑肿瘤MRI图像进行预处理；

初始特征向量提取模块，用于以预训练的ResNet18网络作为图像分类网络模型的主干网络，利用主干网络提取预处理后的脑肿瘤MRI图像的初始特征向量；其中，将预训练的ResNet18网络作为主干网络时，将预训练的ResNet18网络中最后一个下采样层去除；

一阶特征向量提取模块，用于基于初始特征向量，通过全局平均池化获取脑肿瘤MRI图像的一阶特征向量；

二阶特征向量提取模块，用于基于初始特征向量，通过协方差池化获取脑肿瘤MRI图像的二阶特征向量，以此建模特征之间的关系和空间结构，包括：通过线性投影操作对初始特征向量的维度进行压缩，以减少计算量；

利用重塑操作对压缩后的初始特征向量的维度进行分组，以减少计算消耗；具体的，以符号来表示特征向量的大小，即压缩后的初始特征向量 ，重塑操作的计算过程为： ；其中， 表示重塑操作，通过重塑操作，对 进行分组，分组后的特征向量记为 ，M表示分组的数量，H、W分别表示高度和宽度，C表示通道数；

针对分组后的每一组的特征向量，分别进行协方差池化，得到协方差矩阵；具体的，在每个组上分别计算协方差池化，首先将分组后每组的特征矩阵记为 ，即 表示分组后第i个组的特征， ， 表示分组后的特征 的维度；然后对 的空间维度执行展平操作，即 ；最后在每组上的协方差计算过程为： ，其中， ，和 分别表示 的单位矩阵和全1矩阵， ；

利用L2归一化方法对所有协方差矩阵进行归一化操作；

拼接归一化后的多组协方差矩阵，获得最终的协方差矩阵；

基于最终的协方差矩阵，依次通过下采样操作和展平操作，得到图像的二阶特征向量；

图像分类模块，用于基于一阶特征向量和二阶特征向量，通过对应的分类器分别进行类别预测，再将两种类别预测结果相加融合，得到最终的待分类的脑肿瘤MRI图像的分类结果；具体的，联合预测的过程为： ；其中， 和 表示用于分类的特征矩阵，实际上 和 的实现是两个不同的全连接层，该全连接层作为分类器，其输入的维度大小是特征 和 的维度数量，其输出的维度大小则是分类的类别数量， 和 分别表示一阶特征向量和二阶特征向量。

6.如权利要求5所述的联合一阶和二阶特征的脑肿瘤MRI图像分类系统，其特征是，所述预处理包括对脑肿瘤MRI图像进行图像尺寸调整。