1.一种基于模型融合的结核性视网膜OCT图像分类方法，其特征在于，包括如下步骤：步骤1：获取结核性视网膜OCT图像，按照比例分为训练集、验证集和测试集；

步骤2：图像预处理：对原始图像进行降噪处理，并对降噪后的图像进行数据增强操作，包括缩放、随机裁剪、旋转、垂直翻转、水平翻转以及批量归一化，以保证模型的泛化能力；

步骤3：构建基础网络模型；

步骤4：在基础网络模型中添加多尺度门控通道注意力机制，利用神经网络的学习来获取特征通道之间的重要程度，以此来加强对分类任务有益的特征并抑制无益的特征；

步骤5：训练和测试：通过多次的对比实验，找到各个网络结构最优参数下的最优模型；

步骤6：模型融合：将原始图像数据集输入至训练好的最优模型中，得到不同模型下的图像特征，再在特征维度进行级联，完成特征融合，并构建特征数据集，最后输入至支持向量机中进行进一步的分类训练。

2.根据权利要求1所述的一种基于模型融合的结核性视网膜OCT图像分类方法，其特征在于，步骤2中降噪处理过程如下：采用非线性扩散滤波的方法PM，PM由非线性偏微分方程描述，如公式(1)所示：其中L是图像的灰度值，t是时间，x和y是图像的空间坐标，▽L是L的梯度向量，div是梯度的散值；

传导函数c(x,y,t)是控制非线性扩散滤波速度的函数，构造方式如公示(2)所示：其中 是高斯平滑后的图像Lσ的梯度，函数g()通常采用单调递减的函数形式，有如下两种：其中k是一个常数，用于控制梯度响应的值。

3.根据权利要求1所述的一种基于模型融合的结核性视网膜OCT图像分类方法，其特征在于，步骤4中具体过程如下：门控注意力机制通过多尺度门控注意力通道模块GCT‑A来实现，多尺度门控注意力通道模块GCT‑A包含三个部分，全局上下文嵌入模块、通道归一化模块和门控自适应模块；

全局上下文嵌入模块中使用3个大小不同的卷积核，分别为1×1,3×3和5×5，其中，1×1卷积核用于调整通道数以适应后续卷积操作的需求；3×3和5×分别用于捕获不同大小的感受野以覆盖更广范围的全局上下文信息，从而避免陷入局部语义歧义，聚合每个通道中的全局上下文信息，具体定义如下所示：其中参数α定义为α＝[α1,α2,...,αc]，当αn接近0时，该通道则不参与通道归一化，Xc表示特征图的通道，H表示特征图的高度，W表示特征图的宽度， 表示特征图中第i行第j列的所有通道，而p表示p‑norm，采用1‑norm和2‑norm组成双尺度，同时为了避免零点处求导问题的发生，引入了一个极小常数ε；

为了在神经元和通道之间建立起竞争的关系，通过使用BatchNorm归一化来进行通道归一化，具体的定义如下所示：对于每一个通道C，将特征图中的每一个像素都看做一个C维的向量SC，，再对向量SC进行BatchNorm归一化，C表示特征图的通道数， 的作用是将BatchNorm归一化后的特征向量除以一个与通道数C相关的缩放因子，以保持特征向量的幅值不变，最终求得的是经过1‑norm和2‑norm聚合全局信息后的通道重要性；

融合两种方式计算出的通道重要性，得到最终的归一化向量，以获得更好的性能和稳定性，融合公式如下所示：当一个通道的门控机制被积极激活的时候，门控机制促进该通道与其他通道进行竞争，反之当被消极激活的时候，门控机制促进该通道与其他通道进行合作，具体的定义如下所示：其中XC为原始通道C的特征图，relu为线性整流函数，权重γ定义为[γ1,γ2,...,γc]，权重β定义为[β1,β2,...,βc]，且当门控权重γ和门控偏置β均为0的时候，原始特征无损传递到下一层，因此，GCT能够有效地解决深层网络导致的退化问题；

最终，GCT‑A模块的激活特征表示为：

其中，α，γ，β表示可训练的参数，α用于负责自适应嵌入的输出，门控权重γ和偏置β则负责控制门的激活，这三个参数决定了GCT‑A在每个通道的行为表现；在这一公式下，GCT‑A2

的计算复杂度仅仅为O(C)，低于SENet的O(C)，是因为SENet使用了两个全连接层，C为通道数；因此，GCT‑A在增加少量参数的情况下大大加快了收敛速度以及精度。

4.根据权利要求1所述的一种基于模型融合的结核性视网膜OCT图像分类方法，其特征在于，步骤4中，将GCT‑A均部署于卷积层前,能够更好地抑制背景和无关噪声，并使网络的学习重心集中在有益的特征中。

5.根据权利要求1所述的一种基于模型融合的结核性视网膜OCT图像分类方法，其特征在于，步骤5具体过程如下：将预处理后的训练集输入到基础学习器中，通过不断的调整网络参数，保存训练后的模型，再将预处理后的测试集输入至保存好的模型中进行测试，进一步对网络性能进行测试；由于不同的评价指标对于实验结果的意义不同，如下使用5个评价指标精确率Precision、召回率Recall、特异度specificity、F1‑Score分数和准确率Accuracy对实验网络模型性能进行评估，公式分别为：其中TP为真实值为正常图像且模型预测为正常图像的数量；FP为真实值为正常图像但模型预测为结核病图像的数量；TN为真实值为结核病图像且模型预测为结核病图像的数量；FN为真实值为结核病图像但模型预测为正常图像的数量。