1.一種一種視網膜病變的眼底圖像分類方法，其特征在于，所述方法包括：
獲取眼部檢測患者的眼底圖像；
對所述眼底圖像進行預處理，得到所述眼底圖像對應的灰度眼底圖像；
提取所述灰度眼底圖像中的預設圖像特征；所述預設圖像特征至少包括以下特征中的一種或多種：小波特征和紋理特征；
根據所述眼底圖像的糖尿病視網膜病變分類模型對所述預設圖像特征進行分析處理，得到對應的所述眼底圖像的分類結果。
2.根據權利要求1所述的視網膜病變的眼底圖像分類方法，其特征在于，所述對所述眼底圖像進行預處理，得到所述眼底圖像對應的灰度眼底圖像，包括：
提取所述眼底圖像的RGB彩色空間中的G通道圖像；
通過高低帽算法對所述G通道圖像進行計算處理，得到目標物體與背景對比度較高的G通道圖像，和/或，對所述G通道圖像進行局部直方圖均衡化處理，得到目標物體與背景對比度較高的G通道圖像；
對所述目標物體與背景對比度較高的G通道圖像進行分割處理，提取選定目標物體的目標圖像。
3.根據權利要求2所述的視網膜病變的眼底圖像分類方法，其特征在于，所述提取所述灰度眼底圖像中的預設圖像特征，包括：
對所述目標圖像進行小波變換處理，得到小波特征；
和/或，
對所述目標圖像進行紋理分析處理，提取所述目標圖像中的紋理特征；所述紋理特征包括：亮度特征、灰度共生矩陣和中值游程矩陣。
4.根據權利要求3所述的視網膜病變的眼底圖像分類方法，其特征在于，所述根據所述眼底圖像的糖尿病視網膜病變分類模型對所述預設圖像特征進行分析處理，得到對應的所述眼底圖像的分類結果，包括：
提取所述預設圖像特征中的所有特征向量；
獲取所述眼底圖像的糖尿病視網膜病變分類模型中各個特征向量對應的權重系數；
對所述所有特征向量及各個特征向量對應的權重系數進行計算，并將計算結果所在閾值范圍對應的分類結果作為所述眼底圖像的分類結果。
5.根據權利要求1所述的視網膜病變的眼底圖像分類方法，其特征在于，所述眼底圖像的糖尿病視網膜病變分類模型是根據如下方法生成的：
選取含有預設類型的眼底圖像作為訓練樣本；所述預設類型包括：正常人眼底圖像、增殖型糖尿病性視網膜病變PDR眼底圖像和非增值型糖尿病視網膜病變NPDR眼底圖像；
通過支持向量機和深度神經網絡對所述訓練樣本進行訓練計算，建立眼底圖像的糖尿病視網膜病變分類模型。
6.一種視網膜病變的眼底圖像分類裝置，其特征在于，所述裝置包括：
獲取模塊，用于獲取眼部檢測患者的眼底圖像；
預處理模塊，用于對所述眼底圖像進行預處理，得到所述眼底圖像對應的灰度眼底圖像；
提取模塊，用于提取所述灰度眼底圖像中的預設圖像特征；所述預設圖像特征至少包括以下特征中的一種或多種：小波特征和紋理特征；
分析處理模塊，用于根據所述眼底圖像的糖尿病視網膜病變分類模型對所述預設圖像特征進行分析處理，得到對應的所述眼底圖像的分類結果。
7.根據權利要求6所述的視網膜病變的眼底圖像分類裝置，其特征在于，所述預處理模塊，包括：
第一提取單元，用于提取所述眼底圖像的RGB彩色空間中的G通道圖像；
高低帽算法計算單元，用于通過高低帽算法對所述G通道圖像進行計算處理，得到目標物體與背景對比度較高的G通道圖像；和/或，局部直方圖均衡化處理單元，用于對所述G通道圖像進行局部直方圖均衡化處理，得到目標物體與背景對比度較高的G通道圖像；
分割處理單元，用于對所述目標物體與背景對比度較高的G通道圖像進行分割處理，提取選定目標物體的目標圖像。
8.根據權利要求7所述的視網膜病變的眼底圖像分類裝置，其特征在于，所述提取模塊，包括：
小波變換處理單元，用于對所述目標圖像進行小波變換處理，得到小波特征；
第二提取單元，用于對所述目標圖像進行紋理分析處理，提取所述目標圖像中的紋理特征；所述紋理特征包括：亮度特征、灰度共生矩陣和中值游程矩陣。
9.根據權利要求8所述的視網膜病變的眼底圖像分類裝置，其特征在于，所述分析處理模塊，包括：
第三提取單元，用于提取所述預設圖像特征中的所有特征向量；
獲取單元，用于獲取所述眼底圖像的糖尿病視網膜病變分類模型中各個特征向量對應的權重系數；
計算單元，用于對所述所有特征向量及各個特征向量對應的權重系數進行計算，并將計算結果所在閾值范圍對應的分類結果作為所述眼底圖像的分類結果。
10.根據權利要求6所述的視網膜病變的眼底圖像分類裝置，其特征在于，還包括：
樣本選取模塊，用于選取含有預設類型的眼底圖像作為訓練樣本；所述預設類型包括：正常人眼底圖像、增殖型糖尿病性視網膜病變PDR眼底圖像和非增值型糖尿病視網膜病變NPDR眼底圖像；
模型訓練模塊，用于通過支持向量機和深度神經網絡對所述訓練樣本進行訓練計算，建立眼底圖像的糖尿病視網膜病變分類模型。