1.一种图像识别方法，应用于阿尔茨海默症预测，其特征在于，包括：

S1：获取待识别图像，并对所述待识别图像依次进行各向异性扩散滤波算法、改进的直方图均衡算法、Canny算法和归一化预处理，得到第四预处理图像，并从第四预处理图像中提取得到第一特征图像、第二特征图像和第三特征图像；其中：所述待识别图像为相干光断层扫描图像，所述第一特征图像为NFL图像，所述第二特征图像为GCL图像，所述第三特征图像为IPL图像；

S2：将所述第一特征图像、所述第二特征图像和所述第三特征图像分别输入CNN分类模型中，得到第一特征图像的第一预测概率 、所述第二特征图像的第一预测概率 、所述第三特征图像的第一预测概率 ，形成第一预测结果；

S3：将所述第一特征图像、所述第二特征图像和所述第三特征图像分别输入ML分类模型中，得到第一特征图像的第二预测概率 、所述第二特征图像的第二预测概率 、所述第三特征图像的第二预测概率 ，形成第二预测结果；

S4：利用所述第一预测结果和所述第二预测结果得到所述待识别图像属于预定分类类别的概率。

2.根据权利要求1所述的图像识别方法，其特征在于，步骤S1中，对所述待识别图像进行预处理包括：S11：利用各向异性扩散滤波算法对所述待识别图像进行去噪处理，得到第一预处理图像；

S12：利用改进的直方图均衡算法对所述第一预处理图像进行增强处理，得到第二预处理图像；

S13：利用Canny算法对所述第二预处理图像进行轮廓拟合处理，得到第三预处理图像；

S14：对所述第三预处理图像进行归一化处理，得到第四预处理图像；

S15：从所述第四预处理图像中提取所述第一特征图像、所述第二特征图像和所述第三特征图像。

3.根据权利要求2所述的图像识别方法，其特征在于，步骤S12包括：

S121：利用直方图均衡算法将所述第一预处理图像进行灰度变换，得到第一灰度图像，且所述第一灰度图像包括 个灰度层；

S122：对所述第一灰度图像的 个灰度层分别按照灰度映射公式进行灰度映射，得到所述第二预处理图像，且所述灰度映射公式为： ，其中： 为所述第二预处理图像中第 个灰度层的灰度值； 为所述第一预处理图像的灰度最大值； 为所述第一预处理图像的灰度最小值； 为所述第一预处理图像中第 个灰度层的灰度值；为亮度补偿系数，且 。

4.根据权利要求2所述的图像识别方法，其特征在于，步骤S13包括：

S131：对所述第二预处理图像进行灰度化处理，得到第二灰度图像；令 表示所述第二灰度图像的值，则 ，其中：、和 分别为所述第二预处理图像对应的红色通道值、蓝色通道值和绿色通道值；为所述第二灰度图像在 方向的数值；为所述第二灰度图像在 方向的数值；

S132：对所述第二灰度图像进行高斯滤波处理，得到滤波图像，令 表示所述滤波图像的值，则 ，其中：为参数；

S133：利用Sobel算子计算所述滤波图像的像素点的梯度幅值 和梯度方向 ，且：， ，其中： 为所述滤波图像的像素点在 方向的梯度，

且 ； 为所述滤波图像的像素点在 方向的梯度，且

；为卷积符号；

S134：利用所述滤波图像的像素点的梯度幅值 对所述滤波图像的边缘进行非极大值抑制处理以确定边缘点，得到轮廓拟合图像；

S135：对所述轮廓拟合图像进行双阈值检测，并对所述轮廓拟合图像的边缘点中像素值低于低阈值的像素点进行抑制，得到所述第三预处理图像。

5.根据权利要求1‑4任一项所述的图像识别方法，其特征在于，步骤S2中，所述CNN分类模型包括特征提取模块和第一融合模块，所述特征提取模块包括第一特征提取层、第二特征提取层、第三特征提取层和特征融合层；

步骤S2包括：

S21：将所述第一特征图像分别输入所述第一特征提取层和所述特征融合层，分别得到所述第一特征图像的第一特征 和第二特征 ；

S22：将所述第二特征图像分别输入所述第二特征提取层和所述特征融合层，分别得到所述第二特征图像的第一特征 和第二特征 ；

S23：将所述第三特征图像分别输入所述第三特征提取层和所述特征融合层，分别得到所述第三特征图像的第一特征 和第二特征 ；

S24：将所述第一特征图像的第一特征 和第二特征 输入所述第一融合模块，得到所述第一特征图像的第一预测概率 ；将所述第二特征图像的第一特征 和第二特征 输入所述第一融合模块，得到所述第二特征图像的第一预测概率 ；将所述第三特征图像的第一特征 和第二特征 输入所述第一融合模块，得到所述第三特征图像的第一预测概率 ；所述第一特征图像的第一预测概率 、所述第二特征图像的第一预测概率 和所述第三特征图像的第一预测概率 形成所述第一预测结果。

6.根据权利要求5所述的图像识别方法，其特征在于，步骤S3中，ML分类模型包括SVM分类模型、逻辑回归分类模型、决策树分类模型和第二融合模块；

步骤S3包括：

S31：将所述第一特征图像分别输入所述SVM分类模型、所述逻辑回归分类模型和所述决策树分类模型，分别得到所述第一特征图像的第一分类结果 、第二分类结果 和第三分类结果 ；将所述第二特征图像分别输入所述SVM分类模型、所述逻辑回归分类模型和所述决策树分类模型，分别得到所述第二特征图像的第一分类结果 、第二分类结果 和第三分类结果 ；将所述第三特征图像分别输入所述SVM分类模型、所述逻辑回归分类模型和所述决策树分类模型，分别得到所述第三特征图像的第一分类结果 、第二分类结果 和第三分类结果 ；

S32：将所述第一特征图像的第一分类结果 、第二分类结果 和第三分类结果输入所述第二融合模块，得到所述第一特征图像的第二预测概率 ；将所述第二特征图像的第一分类结果 、第二分类结果 和第三分类结果 输入所述第二融合模块，得到所述第二特征图像的第二预测概率 ；将所述第三特征图像的第一分类结果、第二分类结果 和第三分类结果 输入所述第二融合模块，得到所述第三特征图像的第二预测概率 ；所述第一特征图像的第二预测概率 、所述第二特征图像的第二预测概率 和所述第三特征图像的第二预测概率 形成所述第二预测结果。

7.根据权利要求6所述的图像识别方法，其特征在于，步骤S4包括：

S41：对所述第一特征图像的第一预测概率 和第二预测概率 、所述第二特征图像的第一预测概率 和第二预测概率 、以及所述第三特征图像的第一预测概率和第二预测概率 进行加权处理，得到所述待识别图像属于预定分类类别的预测结果，且 ，其中：、 、 、 、 和 分别为 、 、 、 、 和 的权重，且；

；

S42：利用激活函数对所述待识别图像属于预定分类类别的预测结果 进行缩放处理，得到所述待识别图像属于预定分类类别的概率 ，且 。

8.一种图像识别装置，应用于阿尔茨海默症预测，其特征在于，包括：

获取模块，用于获取待识别图像，并对所述待识别图像依次进行各向异性扩散滤波算法、改进的直方图均衡算法、Canny算法和归一化预处理，得到第四预处理图像，并从第四预处理图像中提取得到第一特征图像、第二特征图像和第三特征图像；其中：所述待识别图像为相干光断层扫描图像，所述第一特征图像为NFL图像，所述第二特征图像为GCL图像，所述第三特征图像为IPL图像；

第一预测模块，用于将所述第一特征图像、所述第二特征图像和所述第三特征图像分别输入CNN分类模型中，得到第一特征图像的第一预测概率 、所述第二特征图像的第一预测概率 、所述第三特征图像的第一预测概率 ，形成第一预测结果；

第二预测模块，用于将所述第一特征图像、所述第二特征图像和所述第三特征图像分别输入ML分类模型中，得到第一特征图像的第二预测概率 、所述第二特征图像的第二预测概率 、所述第三特征图像的第二预测概率 ，形成第二预测结果；

第三预测模块，用于利用所述第一预测结果和所述第二预测结果得到所述待识别图像属于预定分类类别的概率。

9.一种图像识别设备，其特征在于，包括：

处理器；

存储器，用于存储由所述处理器执行的计算机程序；

其中，所述处理器执行所述计算机程序时实现权利要求1‑7中任一项所述的图像识别方法。