1.云存储中基于图像识别的数据自动分类与检索方法，其特征在于，所述方法包括：在云存储平台构建图像数据库，所述图像数据库存储的数据包括医疗影像的特征描述符、存储位置和元数据，用于支持医疗研究和教学中的病例资料检索；

利用图像数据库构建图像相似度图，将医疗影像之间的相似度关系表示为图结构；

用户通过云存储服务的客户端或网页界面上传待查询的医疗影像图片，该图片作为查询条件输入到检索系统中；

对上传的医疗影像图片进行预处理，包括图像灰度化、应用超分辨率重建技术增强低分辨率图像，以及使用动态范围压缩算法处理高动态范围图像；

使用深度学习特征提取方法，对预处理后的医疗影像进行特征提取，获取该影像的特征描述符；

设定相似度阈值，通过特征描述符从图像相似度图中检索出相似度满足预设阈值的图像，并根据相似度得分对检索结果进行排序；在相似度得分计算中，引入时间衰减因子，对新上传的医疗影像给予更高的权重；

根据检索结果中每个图像的存储位置信息，获取其对应的医疗影像数据；

收集所有获取到的医疗影像数据和与之对应的元数据作为最终结果，将其以列表或网格形式展示给用户。

2.根据权利要求1所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于：所述图像相似度图以医疗影像为节点，以影像之间的相似度为边权重，相似度通过计算影像特征描述符之间的距离获得，计算方式包括采用欧式距离或余弦相似度算法。

3.根据权利要求2所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于，时间衰减因子根据影像上传时间与当前时间的差值来确定，差值越小，权重越高，权重计算使用指数衰减函数，公式为：时间衰减权重＝e-λ(当前时间-上传时间)

其中，λ是衰减系数，用于控制时间衰减的速度；结合相似度和时间衰减权重，计算每个医疗影像的最终相似度得分，最终相似度得分通过计算相似度与时间衰减权重的乘积获得：最终相似度得分＝相似度×时间衰减权重。

4.根据权利要求3所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于，采用超分辨率重建技术增强低分辨率图像的步骤包括：步骤一：将上传的低分辨率医疗影像图片表示为向量y∈Rn，其中n为图像向量化后的维度；

步骤二：构建观测矩阵H∈Rm×n，用以模拟图像采集过程中的降质因素；将观测矩阵进一步分解为采样矩阵D、模糊矩阵B和运动矩阵M，即H＝DBM，其中m表示高分辨率图像向量化后的维度；

步骤三：根据已知的低分辨率图像y和观测矩阵H，求解高分辨率图像x，求解方程为：y＝Hx。

5.根据权利要求4所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于，采用动态范围压缩算法处理高动态范围图像的步骤包括：步骤一：对上传的高动态范围医疗影像图片，使用快速双向滤波器进行对数域分解，将其分解为基本层与细节层；

步骤二：对基本层进行全局亮度映射算法处理，以压缩高亮度值的映射斜率，同时扩大中间亮度值的映射范围；具体公式为：Loutput＝a·logbase(Linput+b)+c其中，Linput表示输入亮度值，Loutput表示输出亮度值，a、b、c是常数，用于调整映射的斜率和范围，base是对数底数，取值为2或10；

步骤三：对细节层进行局部色调映射算法处理，包括对图像的对比度采用映射函数获得图像中每个像素的新的输出值；

步骤四：将处理后的基本层与细节层合并，生成动态范围压缩后的医疗影像图片。

6.根据权利要求5所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于，选择深度学习模型作为特征提取器，该模型预先在大型医疗影像数据集上进行训练，用于提取出医疗影像中具有代表性和区分度的特征；将预处理后的医疗影像输入到所选的深度学习模型中，执行前向传播过程；从深度学习模型的特定层中提取出医疗影像的特征表示，该特征特征表示为该影像的特征描述符。

7.根据权利要求1所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于，利用图像数据库构建图像相似度图的方法为：S1：遍历图像数据库中的所有医疗影像，对于每一对医疗影像，执行以下操作：i)提取每对医疗影像的特征描述符；

ii)计算这对医疗影像的特征描述符之间的相似度；

S2：将每一对医疗影像及其之间的相似度作为图中的一个节点对，节点对之间的连接权重为这对医疗影像的相似度；

S3：采用稀疏矩阵的数据结构存储图像相似度图；

S4：采用K-D树空间索引结构预先对图像相似度图进行索引构建。

8.根据权利要求1所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于：当有新的医疗影像添加到图像数据库中时，重新计算新影像与数据库中已有影像之间的相似度，并更新图像相似度图。

9.根据权利要求1所述的云存储中基于图像识别的数据自动分类与检索方法，其特征在于，在对上传的医疗影像图片进行预处理中，图像灰度化的方法为：S1、选择加权法将彩色图像转换为灰度图像，使用公式GRAY＝0.3*R+0.59*G+0.11*B来计算灰度值，公式中的R、G、B分别表示该像素点在红、绿、蓝三个色域的分量；

S2、读取医疗影像图像数据，遍历图像中每一个像素点，获取每个像素点对应的RGB色值；

S3、应用色值转换方法，调用步骤S1中的公式对步骤S2中获取的每个像素的RGB色值进行转换，得到对应的灰度值；

S4、将转换得到的灰度值应用到每个像素上，生成医疗影像灰度图像。