1.受控Lengyel‑Epstein脑部图像分类方法，其特征在于，包含如下步骤：步骤1、获取待识别的脑部MRI图像，对待识别的脑部MRI图像进行预处理，获取预处理后的图像；

步骤2、提取预处理后的图像非线性指标作为特征向量，将特征向量标准化后映射至二维或三维计算区域 ；

步骤3、在计算区域 内构建双变量特征演化场，将其中一个变量设置为均匀分布的恒定背景，另一个变量根据样本初始标签映射为初始势能场；

步骤4、根据双变量特征演化场初始数据，构建针对脑部MRI数据集的图像分类任务模型，获取针对脑部MRI图像分类任务的非线性演化指令集；

步骤5、将非线性演化指令集作用于计算区域 ，对所述特征向量的势能分量进行迭代处理；

步骤6、实时监测双变量特征演化场中特征向量势能分量的时间演化残差，计算演化场所有网格点在相邻两个迭代时间步的势能分量绝对差值总和，当势能分量绝对差值总和进入稳态且变化率低于预设阈值时，停止迭代，提取特征向量势能分量的最终稳态极性分布作为处理结果，实现脑部MRI图像分类；

所述步骤4、根据双变量特征演化场初始数据，构建针对脑部MRI数据集的图像分类任务模型，获取针对脑部MRI图像分类任务的非线性演化指令集，包括以下步骤：步骤401：根据双变量特征演化场初始数据，构建针对脑部MRI数据集的图像分类任务定制的动力学模型，所述动力学模型为基于改进型Lengyel‑Epstein方程的非线性演化系统，计算公式为：；

其中，为特征向量的背景场分量，为特征向量的势能分量；为拉普拉斯算子；为全局时间缩放因子，为扩散系数比，为反应速率常数； 为初始势能场分量，为引导强度系数；

步骤402：结合脑部MRI数据集的图像中提取的广义Hurst指数特征拓扑分布特性对动力学模型进行参数化配置，得到受先验标签约束的非线性演化指令集；

所述步骤5中对所述特征向量的势能分量进行迭代处理为：对所述特征向量的势能分量通过五点中心差分算子对计算区域 相邻网格间的病理极性进行迭代处理；

离散迭代递推算式为：

；

其中， 和 分别代表网格点 在 与 迭代时刻的特征向量的势能分量值；

为迭代时间步长；为全局时间缩放因子；为扩散系数比；为网格空间步长；为反应速率常数； 为网格点 在 迭代时刻的背景场分量；为引导强度系数； 为映射至网格点 的初始标签映射的初始势能分量值。

2.根据权利要求1所述的受控Lengyel‑Epstein脑部图像分类方法，其特征在于，所述预处理包括灰度标准化处理、确定感兴趣区域和图像增强处理。

3.根据权利要求1所述的受控Lengyel‑Epstein脑部图像分类方法，其特征在于，步骤2中所述预处理后的图像非线性指标为广义Hurst指数指标，所述广义Hurst指数指标通过阶波动函数 推导获得，计算公式为：；

其中，为分析尺度， 为图像特征序列在第 个分段内的去趋势方差， 为序列分割后的总段数；

通过幂律关系 确定不同阶数 下的广义Hurst指数 ，并选定指标对作为表征脑部图像纹理特性的特征向量。

4.根据权利要求1所述的受控Lengyel‑Epstein脑部图像分类方法，其特征在于，所述迭代时间步长满足稳定性约束： 。