1.一种基于机器视觉的肠镜图像智能识别方法，其特征在于，包括：获取结肠的第一肠镜图像；

对所述第一肠镜图像进行预处理，得到所述第一肠镜图像对应的边缘图像中的每个闭合轮廓区域；

基于每个闭合轮廓区域内部的灰度均值，确定结肠深处区域和疑似息肉区域，其中灰度均值最小的闭合轮廓区域为结肠深处区域，其余闭合轮廓区域为疑似息肉区域；

基于所述结肠深处区域和所述疑似息肉区域，确定每个所述疑似息肉区域对应的晕染点和晕染终点；

根据所述晕染点到所述晕染终点之间的连线，确定每个所述疑似息肉区域对应的晕染梯度和褶皱密度梯度；

基于所述褶皱密度梯度与所述晕染梯度，确定息肉区域；

根据每个所述息肉区域的角点、面积及正常肠壁细胞像素点的个数，确定每个所述息肉区域对应的病变密度和息肉色差；

根据每个所述息肉区域对应的病变密度和息肉色差，获得每个所述息肉区域的结肠正常指数；

根据每个所述息肉区域的结肠正常指数，确定所述肠镜图像中的息肉病变区域；

基于所述结肠深处区域和所述疑似息肉区域，确定每个所述疑似息肉区域对应的晕染点和晕染终点，包括：对所述结肠深处区域采用最小外接圆算法进行处理，得到圆形区域中心点，其中所述圆形区域中心点作为结肠深处区域的区域中心点；

对每个所述疑似息肉区域的闭合轮廓上每个像素点到结肠深处区域的区域中心点的欧式距离进行计算，得到每个所述疑似息肉区域的闭合轮廓上每个像素点到结肠深处区域的区域中心点的欧式距离，其中每个所述疑似息肉区域的闭合轮廓上每个像素点到结肠深处区域的区域中心点的最短欧式距离为对应每个所述疑似息肉区域的晕染点；

根据每个所述疑似息肉区域的晕染点构建滑动窗口，使滑动窗口在所述晕染点与所述结肠深处区域的区域中心点的连线上进行滑动，其中窗口大小为3*3，滑动步长为1；

对滑动路线上滑动窗口的所有中心像素点在X与Y方向上的灰度梯度进行计算，得到所述滑动窗口的所有中心像素点在X与Y方向上的灰度梯度；

根据所述滑动窗口的所有中心像素点在X与Y方向上的灰度梯度，得到所述滑动窗口对应的中心像素点的灰度梯度，其中晕染终点为除晕染点之外其他滑动窗口对应的中心像素点的梯度最大的点；

基于所述褶皱密度梯度与所述晕染梯度，确定息肉区域，包括：基于所述褶皱密度梯度与所述晕染梯度，确定每个所述疑似息肉区域对应的晕染度；

根据每个所述疑似息肉区域对应的晕染度，确定每个所述疑似息肉区域对应的息肉生长系数；

基于每个所述疑似息肉区域对应的息肉生长系数，确定息肉区域；

所述晕染度的计算公式为：

其中， 为晕染梯度； 为褶皱密度梯度；所述息肉生长系数的计算公式为：其中， 为息肉生长系数； 为晕染距离，表示晕染点到对应晕染终点的欧氏距离；

为晕染度；

基于每个所述疑似息肉区域对应的息肉生长系数，确定息肉区域，包括：将所述息肉生长系数进行归一化处理，得到所述息肉生长系数的归一化息肉生长系数；

将所述息肉生长系数的归一化息肉生长系数与第一预设阈值进行比较，确定息肉区域。

2.根据权利要求1所述的基于机器视觉的肠镜图像智能识别方法，其特征在于，对所述第一肠镜图像进行预处理，得到所述第一肠镜图像对应的边缘图像中的每个闭合轮廓区域，包括：对所述第一肠镜图像采用小波变换的图像对比度增强算法进行预处理，得到第二肠镜图像；

对所述第二肠镜图像分别进行灰度处理及HSV变换处理，分别得到所述第二肠镜图像对应的灰度图像和HSV颜色图像；

对所述灰度图像采用边缘检测算法进行边缘检测处理，获得边缘图像；

对所述边缘图像通过轮廓跟踪算法进行区域轮廓跟踪处理，确定所述边缘图像中的每个闭合轮廓区域。

3.根据权利要求1所述的基于机器视觉的肠镜图像智能识别方法，其特征在于，根据所述晕染点到所述晕染终点之间的连线，确定每个所述疑似息肉区域对应的晕染梯度和褶皱密度梯度，包括：根据所述晕染点到所述晕染终点的连线路径上的灰度梯度，确定每个所述疑似息肉区域对应的晕染梯度，其中所述晕染梯度的计算公式为：其中， 为晕染梯度； 为第 个滑动窗口对应的中心像素点的梯度大小；为滑动窗口滑动路径上中心像素点的个数； ， 、 分别表示滑动窗口滑动路径上所有中心像素点在X与Y方向上的灰度梯度；

根据所述肠镜图像中的肠壁褶皱分布，确定褶皱密度梯度，其中所述褶皱密度梯度的计算公式为：其中， 为第i个窗口内汇聚于同一像素点最多的边缘轮廓数， 为0时记为1，窗口为晕染点到晕染终点连线路径上以每个像素点作为中心像素点构建的5*5像素窗口， 为每个像素窗口内褶皱边缘轮廓上距离晕染点最近的像素点之间的欧式距离，为晕染点到晕染终点路径上的所有像素点个数。

4.根据权利要求1所述的基于机器视觉的肠镜图像智能识别方法，其特征在于，根据每个所述息肉区域的角点、面积及正常肠壁细胞像素点的个数，确定每个所述息肉区域对应的病变密度和息肉色差，包括：对每个所述息肉区域采用角点检测算法进行角点检测，得到每个所述息肉区域中的角点；

根据每个所述息肉区域中两个角点之间的距离，得到每个所述息肉区域的病变密度；

其中所述息肉区域的病变密度的计算公式为：

其中， 为病变密度；为角点数量； 为角点连线个数； 为两个角点即病变点之间的欧氏距离；

根据每个所述息肉区域的面积和对应的所述息肉区域的正常肠壁细胞像素点个数，确定每个所述息肉区域的息肉色差；其中所述息肉区域的息肉色差的计算公式为：其中，为息肉区域中的像素点个数，记为息肉区域面积，为息肉区域在HSV颜色空间中色相范围在30°以下的像素点个数。

5.根据权利要求1或4任一项所述的基于机器视觉的肠镜图像智能识别方法，其特征在于，根据每个所述息肉区域对应的病变密度和息肉色差，获得每个所述息肉区域的结肠正常指数，包括：所述息肉区域的结肠正常指数的计算公式为：其中， 为病变密度； 为息肉色差。

6.根据权利要求1所述的基于机器视觉的肠镜图像智能识别方法，其特征在于，根据每个所述息肉区域的结肠正常指数，确定所述肠镜图像中的息肉病变区域，包括：将所述结肠正常指数进行归一化处理，得到所述结肠正常指数的归一化结肠正常指数；

将所述结肠正常指数的归一化结肠正常指数与第二预设阈值进行比较，当将所述结肠正常指数的归一化结肠正常指数大于第二预设阈值时，判断所述息肉区域为病变息肉区域；当所述结肠正常指数的归一化结肠正常指数小于第二预设阈值时，判断所述息肉区域为良性息肉区域。