1.基于机器学习的感兴趣区域参数博弈分析方法，该方法由以下步骤实现：步骤一、取大小为M×N的L比特灰度医学图像作为原始医学图像Pimg，所述L为图像的像素深度；

步骤二、设定博弈参与者数量为P，参与者为ROIi，i＝1，2，3...，P选择不同的感兴趣区域划分参数划分感兴趣区域，其中参与者ROIi感兴趣区域划分具体方法如下：步骤二一、将原始医学图像Pimg分为大小为n×n的图像块，共得M×N/(n×n)个图像块步骤二二、依次计算步骤二一所述图像块 内所有像素灰度值的平均值步骤二三、所述参与者ROIi感兴趣区域的判别方法如下：

当 时，则该图像块 为感兴趣区域，设置对应的感兴趣区域标志位为1；

当 时，则该图像块 为非感兴趣区域，设置对应的感兴趣区域标志位 为0；

其中t_ROIi为参与者ROIi的感兴趣区域阈值，t_ROIi∈[0，2L-1)，感兴趣区域标志位为1的块表示参与者ROIi的感兴趣区域块，即被选中的加密区域块；

步骤三、设定所述参与者ROIi策略的约束条件为：

步骤四、根据全局感兴趣区域阈值τ进行感兴趣区域加密性能分析，获得加密效果集合，所述全局感兴趣区域阈值τ∈[0，2L-1)，具体分析步骤为：步骤四一、依次以全局感兴趣区域阈值τ加密原始医学图像Pimg的感兴趣区域块，获得密文图像集合SetEnImg；

步骤四二、依次记录以全局感兴趣区域阈值τ加密原始医学图像Pimg的感兴趣区域块的加密时间，获得加密图像时间集合SetEnTime；

步骤四三、依次计算以全局感兴趣区域阈值τ加密原始医学图像Pimg的感兴趣区域块密文图像与原始医学图像之间的峰值信噪比，获得峰值信噪比集合SetEnPSNR；

步骤四四、依次计算以全局感兴趣区域阈值τ加密原始医学图像Pimg的感兴趣区域块密文图像与原始医学图像之间的结构相似度，获得结构相似度集合SetEnSSIM；

步骤四五、依次计算以全局感兴趣区域阈值加密原始医学图像Pimg的感兴趣区域块密文图像的信息熵，获得密文信息熵集合SetEnEntropy；

步骤四六、根据步骤四二至步骤四五所述的加密图像时间集合SetEnTime各、峰值信噪比集合SetEnPSNR、结构相似度集合SetEnSSIM和密文信息熵集合SetEnEntropy，计算获得加密效果集合SetEnEffect；用下式表示为：SetEnEffect＝{EnEffect(τ(1))，EnEffect(τ(2))，...，EnEEffect(τ(2L-1))}EmEffect(τ)＝1/log(ω1P1EnTime(τ)+ω2EnPSNR(τ)+ω3P2EnSSIM(τ)+ω4EnEntropy(τ))    (6)其中，ω1为加密时间的权重，ω2为峰值信噪比权重，ω3为结构相似度权重，ω4为信息熵权重；P1为加密时间放大系数，P2为结构相似度的放大系数；

步骤五、采用机器学习的多项式线性回归方法拟合加密效果集合SetEnEffect，获得加密效果收益函数SetEnEffectIncome；

步骤六、当参与者ROIi不执行任何策略，则计算步骤四二至步骤四五各加密性能，获得加密效果收益函数SetEnEffectIncome的初始收益值SetEnEffectIncome0；

设定min(SetEnEffett′)＞SetEnEffectIncome0，min()为求集合最小元素值函数；

步骤七、根据步骤六获得的加密效果收益函数SetEnEffectIncome的初始收益值SetEnEffectIncome0，获得感兴趣区域博弈纳什讨价还价均衡解为：采用拉格朗日乘数法求得感兴趣区域阈值博弈最优解τoptimal；

步骤八、采用步骤七所述感兴趣区域阈值博弈最优解τoptimal对原始医学图像Pimg进行感兴趣区域划分，进行感兴趣区域加密得加密图像。

2.根据权利要求1所述的基于机器学习的感兴趣区域参数博弈分析方法，其特征在于：步骤五中，具体拟合方法如下：

步骤五一、将步骤四所述加密效果集合SetEnEffect进行比例放大，获得放大结果SetEnEffet，并放大结果SetEnEffet作为多项式线性回归的结果集；

其中 为比例放大系数；

步骤五二、将X＝1，2，...，2L-1作为输入集；

步骤五三、增加X的高次项，获得高次项输入集Poly_X；

步骤五四、采用多项式回归方法对放大结果集SetEnEffect进行拟合，获得拟合结果；

步骤五五、根据拟合结果得到多项式的各项系数，获得加密效果收益函数SetEnEffectIncome。