1.一种基于非随机掩盖数据增强方式的黑色素瘤分类方法，其特征在于，所述方法包括以下步骤：步骤1.非随机掩盖数据增强：首先原始训练集中的皮肤镜图像进行数据增强，增强方式为非随机掩盖；

步骤2.选择表现好的模型：使用非随机掩盖的数据增强方式，先将原始数据分别和不同掩盖位置的数据进行混合然后放入网络中进行训练，最后根据模型在验证集上的表现选择出效果相对好的4个模型，然后将这4个模型的增强样本和原始数据放在一起作为最终的黑色素瘤分类模型的训练样本，然后进行训练从而得到黑色素瘤分类模型；

步骤3.训练模型：将训练数据放入到深度卷积残差50层的网络中进行特征提取；训练过程中，使用残差50层在ImageNet数据集上预训练的模型来对网络参数进行初始化，在此基础上进行微调网络参数；

步骤4.将步骤3中提取的特征放入到softmax分类器中进行分类。

2.如权利要求1所述的一种基于非随机掩盖数据增强方式的黑色素瘤分类方法，其特征在于，所述步骤1中，非随机掩盖数据增强的步骤如下：

1.1依次从训练集中取图片img，并获取img的宽img_w和高img_h；

1.2初始化掩盖区域的宽w＝img_w/3，高h＝img_h/3；

1.3确定掩盖区域的左上角坐标分别为(x1，y1)＝(0，0)，(x2，y2)＝(w，0)，(x3，y3)＝(2w，0)，(x4，y4)＝(0，h)，(x5，y5)＝(w，h)，(x6，y6)＝(2w，h)，(x7，y7)＝(0，2h)，(x8，y8)＝(w，2h)，(x9，y9)＝(2w，2h)；

1.4确定掩盖区域为Mi＝(xi，yi，xi+w，yi+h)，其中i＝1，2，3…9；

1.5将掩盖区域Mi的像素值置为0；

1.6保存增强后的图片。

3.如权利要求1或2所述的一种基于非随机掩盖数据增强方式的黑色素瘤分类方法，其特征在于，所述步骤2中，卷积残差50层网络训练的过程如下：

2.1：每张原始图片I经过非随机掩盖增强后会产生新的9张图片，分别对应掩盖区域为M1、M2、M3、M4、M5、M6、M7、M8、M9的图片，然后将原始图片分别和这九种不同掩盖区域的图片进行组合成9个训练集，比如训练集1＝原始图片I+增强的I_M1训练出9个模型；

2.2：对于步骤2.1中训练出来的的9个模型使用验证集的数据来进行验证，评估模型在AC、AP、AUC、SE、SP上的表现，选择出表现最好的4个模型；

2.3：将原始未增强的样本和该四个模型中使用到的增强样本组合到一起，组成一个新的训练集；

2.4：将新的训练集放入到卷积残差50层的网络中进行训练，训练过程中最后一层的输出为2，同时在网络残差初始化的时候使用在ImageNet预训练的参数作为初始化参数，然后将最后一层的输出作为softmax分类器的输入。