1.一种多尺度拆分注意力机制的皮肤病图像分割方法，其特征在于，它包括以下步骤：步骤1：读取皮肤病图像数据集并进行划分和预处理；

步骤2：构建多尺度拆分注意力机制网络；

步骤3：将步骤1中的皮肤病图像中的训练集和验证集送入步骤2构建的网络中训练；

步骤4：将步骤1划分的测试集送入步骤3训练好的网络进行预测；

步骤5：输出最终预测图像；

在步骤2中，所构建的多尺度拆分注意力机制网络为：编码层拆分注意力机制模块第一层（1）→编码层拆分注意力机制模块第二层（2）→编码层拆分注意力机制模块第三层（3）→编码层拆分注意力机制模块第四层（4）；

编码层拆分注意力机制模块的第三层（3）→第三层残差混合注意力机制模块（5）；

编码层拆分注意力机制模块的第三层（3），第三层残差混合注意力机制模块（5）→第一次拼接（6）→解码层拆分注意力机制模块第一层（7）；

编码层拆分注意力机制模块的第二层（2）→第二层残差混合注意力机制模块（8）；

编码层拆分注意力机制模块的第二层（2），第二层残差混合注意力机制模块（8）→第二次拼接（9）→解码层拆分注意力机制模块第二层（10）；

编码层拆分注意力机制模块的第一层（1）→第一层残差混合注意力机制模块（11）；

编码层拆分注意力机制模块的第一层（1），第一层残差混合注意力机制模块（11）→第二次拼接（12）→解码层拆分注意力机制模块第三层（13）→1x1卷积分类（14）；

编码层拆分注意力机制模块第一层（1）、编码层拆分注意力机制模块第二层（2）、编码层拆分注意力机制模块第三层（3）、编码层拆分注意力机制模块第四层（4），以及解码层拆分注意力机制模块第一层（7）、解码层拆分注意力机制模块第二层（10）、解码层拆分注意力机制模块第三层（13）均包含2个多尺度结合拆分注意力机制模块，每个多尺度结合拆分注意力机制模块将输入的图像按通道划分为4个分支，即4个各不相同的特征图，然后分别通过不同空洞系数的卷积提取多尺度信息，再对每个分支得到的特征图附加注意力机制，每个多尺度结合拆分注意力机制模块的结构为：按通道拆分（15）→拆分后的特征图一（16）、拆分后的特征图二（17）、拆分后的特征图三（18）、拆分后的特征图四（19）；

拆分后的特征图一（16）→第一次多尺度特征提取（20）；拆分后的特征图二（17）→第二次多尺度特征提取（21）；

拆分后的特征图三（18）→第三次多尺度特征提取（22）；拆分后的特征图四（19）→第四次多尺度特征提取（23）；

第一次多尺度特征提取（20），第二次多尺度特征提取（21）→第一次叠加（24）；

第一次叠加（24），第三次多尺度特征提取（22）→第二次叠加（25）；

第二次叠加（25），第四次多尺度特征提取（23）→第三次叠加（26）；

第三次叠加（26）→全局平均池化（27）→生成注意力权重（28）→r-softmax层（29）→第一注意力比重特征图（30）、第二注意力比重特征图（31）、第三注意力比重特征图（32）、第四注意力比重特征图（33）；

拆分后的特征图一（16），第一注意力比重特征图（30）→第一次相乘（34）；

拆分后的特征图二（17），第二注意力比重特征图（31）→第二次相乘（35）；

拆分后的特征图三（18），第三注意力比重特征图（32）→第三次相乘（36）；

拆分后的特征图四（19），第四注意力比重特征图（33）→第四次相乘（37）；

第一次相乘（34），第二次相乘（35），第三次相乘（36），第四次相乘（37）→第四次叠加（38）→1x1卷积（39）→残差连接（40）。

2.根据权利要求1所述的方法，其特征在于，在步骤1中，对皮肤病图像进行预处理中，具体包括以下步骤：步骤1-1）对皮肤病数据集进行划分，分别划分为训练集、验证集、测试集；

步骤1-2）对划分好的数据集进行归一化处理，即对图像按通道进行计算，先计算出其方差和均值，然后将每一个通道内的每一个数据减去均值再除以方差后得到归一化的结果。

3.根据权利要求1所述的方法，其特征在于，在多尺度结合拆分注意力机制模块中，提取特征多尺度信息并附加注意力机制具体包含以下步骤：步骤s1：对输入的特征图按通道进行拆分为4个各不相同的特征图；

步骤s2：对步骤s1的结果分别进行多尺度特征提取；

步骤s3：对步骤s2的结果进行特征汇聚；

步骤s4：对步骤s3的结果采用注意力机制；

步骤s3中，经特征提取后对得到的每一个分支的输出进行特征汇聚，其公式如下：(1)；

其中为第i个分支的空洞卷积操作，得到的输出F。

4.根据权利要求3所述的方法，其特征在于，步骤s4中，采用注意力机制具体包含以下步骤：步骤s4.1：对步骤s3的结果进行全局平均池化使得特征的尺寸压缩为1x1xC，其公式如下所示：(2)；

代表特征图的第i，第j个像素点的值，iH，jW，H为特征图的长，W为特征图的宽，S，C为通道数；

步骤s4.2：对步骤s4.1的结果通过2个全连接层来获得注意力权重，使用r-softmax激活函数将权重转化为0-1的比重，与每个分支的输出分别相乘附上注意力权重后相加，其公式如下所示：(3)；

其中i的值为1、2、3、4，、、、为每个分支的输出，的公式如下所示：(4)；

其中为由决定的第i个分支中第C个通道的拆分权重，i的值为1、2、3、4，为由决定的第j个分支中第C个通道的拆分权重。

5.根据权利要求1至4其中之一所述的方法，其特征在于，采用残差混合注意力机制模块对特征图附加混合的注意力机制具体包含以下步骤：步骤（1）赋予通道注意力权重；

步骤（2）赋予空间注意力权重；

步骤（1）中，赋予通道注意力权重通过对输入的特征分别做全局最大池化和全局平均池化的操作得到2个形状为1x1xC的特征图，再通过两个1x1的卷积得到注意力权重，将得到的权重进行相加后通过sigmoid函数激活得到最终的通道注意力特征，其公式如下所示：（5）；

其中，F为输入特征图，FCHW,为通道注意力机制，其公式如下所示：(6)；

其中，为第一层全连接层的权重矩阵，，为第二层全连接层的权重矩阵，，为sigmoid函数，、分别为通道注意力机制中的全局平均池化特征和全局最大值池化特征，r为减少率；

步骤（2）中，将步骤（1）的结果分别进行通道维的全局最大池化和全局平均池化得到2个HxWx1的特征图，将这两个特征图进行拼接后通过一个7x7的卷积核进行降维后再通过sigmoid函数得到空间注意特征，与输入F相加得到最后结果，其公式如下所示：+F（7）；

其中为增加了通道注意力权重的结果，为空间注意力机制，其公式如下所示：(8)；

其中为sigmoid函数，为7x7卷积；、分别为空间注意力机制中的全局平均池化特征和全局最大值池化特征；

编码层中下采样采用的是最大值池化，解码层中上采样则采用双线性插值。

6.根据权利要求1或2所述的方法，其特征在于，多尺度拆分注意力机制网络在工作时，采用以下步骤：步骤2.1：将输入的特征图通过网络的编码器部分进行特征提取；

步骤2.2：将步骤2.1中每层编码器的输出通过残差混合注意力机制；

步骤2.3：将步骤2.1和步骤2.2的输出送入网络的解码器部分；

在步骤2.1中，编码器部分的特征提取具体包含以下步骤：步骤2.1.1：将输入通过编码层拆分注意力机制模块第一层；

步骤2.1.2：将步骤2.1.1的结果进行下采样后通过编码层拆分注意力机制模块第二层；

步骤2.1.3：将步骤2.1.2的结果进行下采样后通过编码层拆分注意力机制模块第三层；

步骤2.1.4：将步骤2.1.3的结果进行下采样后通过编码层拆分注意力机制模块第四层；

在步骤2.2中，让每层编码器的输出通过残差混合注意力机制具体包含以下步骤：步骤2.2.1：将步骤2.1.1的结果通过第一层残差混合注意力机制模块；

步骤2.2.2：将步骤2.1.2的结果通过第二层残差混合注意力机制模块；

步骤2.2.3：将步骤2.1.3的结果通过第三层残差混合注意力机制模块；

在步骤2.3中，解码器部分具体包含以下步骤：

步骤2.3.1：将步骤2.1.4的结果进行上采样后与步骤2.2.3的结果进行拼接，然后通过解码层拆分注意力机制模块第一层；

步骤2.3.2：将步骤2.3.1的结果进行上采样后与步骤2.2.2的结果进行拼接，然后通过解码层拆分注意力机制模块第二层；

步骤2.3.3：将步骤2.3.2的结果进行上采样后与步骤2.2.3的结果进行拼接，然后通过解码层拆分注意力机制模块第三层。