1.基于图形识别的动脉瘤识别方法，其特征在于，该方法包括以下步骤：获取连续帧动脉瘤图像；采集所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列；

基于所述灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值，计算对应的像素点的显影程度；由各像素点的所述显影程度构建显影特征图；根据所述显影特征图中各像素点的梯度幅值大小筛选出显影边缘点；基于多个所述显影边缘点对应的灰度值序列之间的差异，对显影边缘点进行两两匹配得到多个显影边缘点对；

基于所述显影边缘点对中两个显影边缘点的梯度方向的差异，计算所述显影边缘点对所对应的异常程度；所述异常程度大于等于预设异常阈值的显影边缘点对所处的位置，为动脉瘤病变位置；

所述基于所述灰度值序列中相邻两个灰度值的均值和相邻两个灰度值对应的时间的差值，计算对应的像素点的显影程度，包括：所述显影程度的计算公式为：

其中， 为连续帧动脉瘤图像中第 个像素点对应的显影程度；为连续帧动脉瘤图像的总帧数； 为第 帧动脉瘤图像中第 个像素点对应的灰度值； 为第帧动脉瘤图像中第 个像素点对应的灰度值； 为第 帧动脉瘤图像对应的采集时间；

为第 帧动脉瘤图像对应的采集时间；

所述由各像素点的所述显影程度构建显影特征图，包括：

所述显影特征图中各像素点的像素值为像素点所对应的所述显影程度；

所述根据所述显影特征图中各像素点的梯度幅值大小筛选出显影边缘点，包括：获取所述显影特征图中各像素点的梯度幅值和对应的梯度直方图；基于所述梯度直方图，利用EM算法拟合高斯混合模型，所述高斯混合模型包含两个子高斯模型；

将两个子高斯模型按照子高斯模型的均值大小进行升序排列，赋予所述子高斯模型对应的序号；将像素点对应的所述梯度幅值分别输入两个所述子高斯模型得到对应的两个子高斯模型的值，较大子高斯模型的值对应的子高斯模型的序号作为像素点对应的序号，将序号较大的像素点作为高斯混合模型；

所述基于所述显影边缘点对中两个显影边缘点的梯度方向的差异，计算所述显影边缘点对所对应的异常程度，包括：连接所述显影边缘点对中两个显影边缘点，得到边缘点连线和对应的连线方向；

分别获取所述显影边缘点对中两个显影边缘点的梯度方向，作为第一梯度方向和第二梯度方向；所述第一梯度方向和所述连线方向的角度差值作为第一角度差，所述第二梯度方向和所述连线方向的角度差值作为第二角度差；

当所述第一角度差和所述第二角度差均为零时，将所述显影边缘点对的异常程度置为零；

当所述第一角度差和所述第二角度差至少有一个不为零时，所述第一角度差和所述第二角度差的差值的绝对值作为第一绝对值，所述第一角度差和所述第二角度差的和作为角度和；所述第一绝对值与所述角度和的比值为所述显影边缘点对的异常程度。

2.根据权利要求1所述的基于图形识别的动脉瘤识别方法，其特征在于，所述采集所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列，包括：采集所述连续帧动脉瘤图像中同一位置处像素点的灰度值作为初始灰度值，按照动脉瘤图像采集时间的先后顺序构建对应的初始灰度值序列；

对所述初始灰度值序列中的初始灰度值进行灰度反转，得到反转灰度值和对应的反转灰度值序列；将所述反转灰度值序列作为所述连续帧动脉瘤图像中同一位置处像素点对应的灰度值序列。

3.根据权利要求1所述的基于图形识别的动脉瘤识别方法，其特征在于，所述基于多个所述显影边缘点对应的灰度值序列之间的差异，对显影边缘点进行两两匹配得到多个显影边缘点对，包括：连接相邻的所述显影边缘点，得到多个血管显影边缘；

选取任意显影边缘点作为目标边缘点，所述目标边缘点所属的血管显影边缘作为目标边缘；利用动态时间规整算法，计算所述目标边缘点对应的灰度值序列和除所述目标边缘外其他血管显影边缘上各显影边缘点对应的灰度值序列的归整路径距离；选取最小的规整路径距离对应的显影边缘点作为待选边缘点，所述目标边缘点和所述待选边缘点为一对显影边缘点。