1.一种深层特征和浅层LBP特征融合的乳腺肿瘤超声图像处理装置，其特征在于：其包括图像数据库建立单元、图像预处理单元、兴趣区域提取单元、深层特征提取单元、浅层LBP特征提取提取单元、特征融合单元以及分类单元；

所述图像数据库建立单元用于建立乳腺肿瘤超声图像数据库，获取乳腺肿瘤结节图像；

所述图像预处理单元用于对超声图像进行数据增强处理，同时对肿瘤图像分别进行直方均衡化增强和sobel算子边缘提取，将原始肿瘤图像、直方均衡化图像以及边缘提取图像进行融合；

所述图像预处理单元进行图像预处理操作具体包括如下步骤：S11、对原始超声图像进行直方图均衡化以增强动态范围偏小的图像的对比度；

S12、对原始超声图像进行Sobel算子运算，得到图像亮度函数的灰度之近似值以提供精确的边缘方向信息,Sobel算子用来检测图像边缘，Sobel算子提取计算公式为：其中，A为原始图像，GX为x方向上的卷积，GY为y方向上的卷积；

S13、将原始超声图像、直方均衡化图像和边缘提取图像进行融合；

感兴趣区域提取单元用于提取图像的感兴趣区域，得到图像分析关注的重点，具体包括以下步骤：采用最大类间阈值分割算法和形态学处理的方法进行感兴趣区域的提取；

提取超声图像的颜色信息并转换到lab空间的a分量；

采用最大类间阈值分割算法实现图像的自动阈值分割，按照图像的灰度特性，将图像分为背景和目标两部分；

将灰度图像转换为二值图像，运用形态学处理的方法得到图像的边界轮廓曲线和感兴趣区域；

所述深层特征提取单元用于训练预训练的卷积神经网络模型，自动提取不同兴趣度和不同尺度的图像深度特征；

所述浅层LBP特征提取单元用于提取旋转不变性局部二值模式特征作为图像的浅层纹理特征，其具体步骤为首先将LBP特征图像进行分块，将检测窗口划分为16*16的多个区域；

其次将每个区域中的一个像素作为中心像素，将相邻的8个像素的灰度值与中心像素进行比较，若周围像素的灰度值大于中心像素的灰度值，则该中心像素的位置被标记为1，否则记为0，每个3*3邻域内的8个像素点经比较产生8位二进制数，即得到每一个16*16区域窗口中心像素点的LBP值；

计算每块区域特征图像的直方图，并将直方图进行归一化；最后，将每块区域的直方图按空间顺序依次排列成一行，形成LBP特征向量；

所述特征融合单元用于将深度特征和浅层特征融合得到最终的特征向量；

所述分类单元用于将最终获得的特征输入SVM实现乳腺肿瘤超声图像的良性和恶性分类。

2.根据权利要求1所述的深层特征和浅层LBP特征融合的乳腺肿瘤超声图像处理装置，其特征在于：所述深层特征提取单元进行图像深度特征提取具体包括以下步骤：S21、搭建基础模型ResNet50，利用迁移学习，加载ImageNet预训练的权重，并去除顶层全连接层；

S22、添加全局平均池化层、BN层以及全连接层；

S23、采用Dropout正则化方法防治过度拟合。

3.根据权利要求2所述的深层特征和浅层LBP特征融合的乳腺肿瘤超声图像处理装置，其特征在于：浅层LBP特征提取单元进行浅层LBP特征提取具体包括以下步骤：S31、将LBP特征图像进行分块，将检测窗口划分为16*16的小区域；

S32、对于每个区域中的一个像素，将相邻的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0，这样，3*3邻域内的8个点经比较能产生8位二进制数，即得到该窗口中心像素点的LBP值，其中，LBP的计算公式如下：其中，p表示3*3窗口中除中心像素点之外的第p个像素点，I(c)表示中心像素点的灰度值，I(p)表示第p个像素点的灰度值，s(x)的计算公式如下：S33、计算每块区域特征图像的直方图，将直方图进行归一化；

S34、将每块区域的直方图按空间顺序依次排列成一行，形成LBP特征向量。

4.根据权利要求3所述的深层特征和浅层LBP特征融合的乳腺肿瘤超声图像处理装置，其特征在于：所述特征融合单元进行特征融合具体包括以下步骤：S41、采用早融合的策略，先融合多层的特征，然后在融合后的特征上训练分类器；

S42、将经过迁移学习的ResNet50提取的深度特征和浅层LBP特征分别进行BN层的参数归一化，然后进行concat操作，对于单通道的输出，若两路输入的通道分别为X1,X2,...,XC和Y1,Y2,...,YC，则concat的单个输出通道为：其中，Zconcat为concat的单个输出通道，K为第i个卷积核。

5.根据权利要求4所述的深层特征和浅层LBP特征融合的乳腺肿瘤超声图像处理装置，其特征在于：所述分类单元进行分类的具体步骤如下：S51、将步骤S42提取的融合特征作为SVM的输入；

S52、对数据进行简单的缩放操作，并选择核函数；

S53、采用五倍交叉验证，选择最佳参数C和g；

S54、用得到的最佳参数对乳腺肿瘤超声图像进行良恶性分类。