1.一种基于深度卷积对抗生成网络的皮肤病图像的生成方法，其特征在于，所述生成方法包括以下步骤：

步骤1：对原始训练数据的预处理，对原始训练数据进行分割，得到皮肤病变区域的分割图片；

步骤2：深度卷积对抗生成网络结构的建立，使用卷积神经网络来进行分别构建生成器和判别器；

步骤3：设定生成网络和分类网络的输入，将随机产生的符合均匀分布的随机噪声数据作为步骤2中构建的生成器的输入，将训练后的生成器的输出和步骤1中得到的皮肤病变区域的分割图片样本作为步骤2中构建的判别器的输入；

步骤4：优化目标的设定，对于判别器来说，判别器负责对真假样本进行分类，生成器生成的样本为假，实际输入的真实样本为真，最小化分类误差；对于生成器来说，生成器尽可能的去生成和真实样本一样的假样本；

步骤5：网络的训练：先对生成器网络进行训练，训练周期为n个epoch，然后固定生成器，并将其输出和步骤1中分割出来的皮肤病变区域图片作为判别器网络的输入然后训练

2n个epoch，循环按照训练次数1:2训练生成器和判别器。

2.如权利要求1所述的一种基于深度卷积对抗生成网络的皮肤病图像的生成方法，其特征在于：所述步骤1中，分割出皮肤的病变区域，分割具体流程如下：

1.1、依次从原始训练集中取训练数据样本；

1.2、设定训练样本的坐标规则，左上角为起始坐标(0,0)右下角坐标为结束坐标；

1.3、使用标注工具对于原始皮肤图片样本中的病变区域进行标注得到其左上角起始坐标和右下角结束坐标，如果同一张图片存在多个非粘连在一起的皮肤病变，则分别对各个区域进行分割；

1.4、根据1.3中得到的坐标将该区域分割出来并对分割出来的皮肤病变区域图片按照规则重新命名。

3.如权利要求1或2所述的一种基于深度卷积对抗生成网络的皮肤病图像的生成方法，其特征在于：所述的步骤2中，生成器和判别器的建立过程为：生成器的建立：生成器一共由5层结构组成，其中前4层对应的结构组成为二维反卷积层+BatchNorm层+Relu激活层，第5层其结构由二维反卷积层+Tanh激活层，其中所有的二维反卷积层的卷积核大小为4×4，不同之处在于，第1层的卷积步长为1，填充为0，第2、3、4、5层的卷积步长为2，填充为1；

判别器的建立：判别器一共由5层结构组成，其中第1层的组成结构为二维卷积层+LeakyReLu激活层，第2、3、4层的组成结构为二维卷积层+BatchNorm层+LeakyReLu激活层，第5层的组成结构为二维卷积层+Sigmoid激活层；

激活层函数表达式：

ReLu激活函数：

x代表输入，f(x)代表输出；

LeakyReLu激活函数：

其中x代表输入，f(x)代表输出，α是一个人为设定的固定值；

Sigmoid激活函数：

其中x代表输入，f(x)代表输出。