1.基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，包括以下步骤：
s1、使用深度学习模型分割模糊边界图像，得到初始化的目标分割结果；
s2、使用主动轮廓模型精调模型的分割结果，得到更加精准的正常边界和模糊边界分割结果，具体包括：
s2.1、使用s1中得到的初始化的目标分割结果中的区域边界初始化主动轮廓模型，构造初始的水平集；
s2.2、使用水平集来表示能量函数，通过能量函数得到曲线演化的偏微分方程；
s2.3、进行轮廓点所在区域的判定；
s2.4、确定各个轮廓点所在的区域之后，计算偏微分方程的值，并迭代演化轮廓，直到达到最大迭代次数或轮廓变动微小或不变则完成分割。
2.根据权利要求1所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，步骤s2.1中，通过深度学习模型的分割结果构造主动轮廓模型的初始水平集φi(x,y)，初始水平集的定义如下：
其中r(x,y)＝{0,1}为深度学习模型分割结果，r(x,y)＝0表示点(x,y)属于目标区域，r(x,y)＝1表示点(x,y)属于非目标区域；处于目标区域与非目标区域分界处的点构成目标边界b，d(x,y)为图像上每个点(x,y)与目标边界b的最短距离。
3.根据权利要求1所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，步骤s2.2中，能量函数中共包含三个部分：1)轮廓的周长、面积；2)轮廓局部区域能量；3)轮廓约束能量；
整个能量函数的定义如下：
其中，c表示当前的分割轮廓，c0表示初始化的分割轮廓，length(c)表示轮廓c的周长，area(inside(c))表示轮廓c内部区域的面积，μ0(x,y)是指源图像i在(x,y)处的像素强度，c1是指轮廓c内部像素强度均值，c2是指轮廓c外部像素强度均值，p是指轮廓c上的点，p∈n(c)表示轮廓点p处于目标边缘区域内，p∈f(c)表示轮廓点p处于前景(目标)区域内，p∈b(c)表示轮廓点p处于背景区域内，ia(p)是指处于轮廓点p周围且在轮廓c内部的点，oa(p)是指处于轮廓点p周围且在轮廓c外部的点，cip是指满足ia(p)的点的像素强度均值，cop是指满足oa(p)的点的像素强度均值，所述轮廓点p周围是指以p为圆心，r为半径的圆的范围内；能量函数中的第一项和第二项表示轮廓的周长和面积，作用是使轮廓保持连续、光滑，只与轮廓本身的大小、形状有关；能量函数中的第三项和第四项是轮廓局部区域能量，作用是使轮廓向目标的边界演化，与图像数据有关；能量函数中的第五项是轮廓约束能量，作用是限制当前轮廓向极大偏离初始化轮廓的区域演化，u,v,λ1,λ2,λ3是相应能量项的系数。
4.根据权利要求3所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，在能量函数f中，使用水平集方法来表示轮廓c以及轮廓内部和外部；在水平集方法中，图像域ω中轮廓c表示为零水平集即φ＝0，定义为：
使用零水平集即φ＝0表示轮廓c；
heaviside函数h和dirac函数δ0的定义如下：
使用h表示轮廓c内部和外部：
使用水平集φ、函数h、函数δ0表示轮廓的周长、面积：
area{φ>0}＝∫ωh(φ(x,y))dxdy；
轮廓约束能量是当前轮廓c和初始化轮廓c0的差异，使用水平集φ、函数h、φi表示，轮廓约束能量表示为当前水平集φ与初始化水平集φi的差异：
(c-c0)2＝∫ω(h(φ(x,y)))-h(φi(x,y))2dxdy；
轮廓局部区域能量是所有轮廓点周围内部和外部能量的总和；轮廓周围区域的能量采用局部计算的方式，对每个轮廓点单独计算其局部区域内轮廓内部和轮廓外部的能量，然后叠加得到总体的能量；使用水平集φ、函数h表示后，轮廓周围区域的能量中的各项定义为：
其中，对于轮廓点c上的点p(xp,yp)，φ(p)＝0；a(p)表示处于轮廓点p周围，所述轮廓点p周围是指以p为圆心，r为半径的圆的范围内；ia(p)表示处于轮廓点p周围且在轮廓c内部的点，对于满足ia(p)的点a(xa,ya)，φ(xa,ya)>0且
5.根据权利要求3所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，在使用水平集方法表示各个能量项后，能量函数f定义为：
其中c1是指轮廓c内部像素强度均值，c2是指轮廓c外部像素强度均值，分别满足：c1(φ)＝average(u0)in{φ≥0}，c2(φ)＝average(u0)in{φ<0}；通过水平集φ定义c1和c2：
cip为满足ia(p)的点的像素强度均值，cop为满足oa(p)的点的像素强度均值；
能量函数f通过欧拉-拉格朗日变分法和梯度下降流得到曲线演化的偏微分方程：
其中
6.根据权利要求1所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，步骤s2.3中，通过轮廓内外的像素强度差异判定轮廓点p在目标边缘区域内或者非目标边缘区域内，具体方法如下：在模糊边界图像中，目标边缘区域中轮廓周围内部和外部的像素强度均值差异较大，而非目标边缘区域中轮廓周围内部和外部的像素强度均值差异较小；当轮廓点p在非目标边缘区域时，cip与cop的值相近，即cip≈cop,|cip-cop|≤cd，cd是判定cip与cop是否相近的阈值；判定方法按照以下步骤：
s2.3.1、按照逆时针的顺序计算轮廓上每个轮廓点的cip与cop的差值dp，按照dp得到的顺序构建闭环队列d；
s2.3.2、使用宽度为r的高斯滤波器平滑闭环队列d；
s2.3.3、寻找闭环队列d中长度大于2r且dp≤cd的片段δc；
s2.3.4、若存在满足步骤s2.3.3的片段，则片段中所有轮廓点处于非目标边缘区域，其他轮廓点处于目标边缘区域；
处于目标边缘区域轮廓点的局部区域内轮廓内部的能量和为：
处于目标边缘区域轮廓点的局部区域内轮廓外部的能量和为：
7.根据权利要求6所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，若轮廓点p处于非目标边缘区域，进一步确定轮廓点p处于前景区域或背景区域；由于轮廓点周围的区域特性和所处区域相似，因此将模糊边界图像根据图像特性分为若干个子区域，在这些子区域中确定轮廓点p处于前景区域或背景区域；具体方法如下：
s2.3.5、首先将模糊边界图像根据图像特性分为若干个子区域，确定轮廓片段δc所处的子区域ο；
s2.3.6、在图像子区域ο中建立二维坐标系，以处于轮廓片段δc中间的轮廓点坐标位置为二维高斯函数f(x,y)中心点center(x0,y0)，以x0与子区域边界1/6最大距离作为高斯函数x轴部分的标准差σx，以y0与子区域边界的1/6最大距离作为高斯函数y轴部分的标准差σy；使用二维高斯函数给子区域中的每个点赋予权值wij，并分别对轮廓内部和外部的权值wij做标准化处理，得到轮廓内部标准化后的权值wij_in以及轮廓外部标准化后的权值wij_out；
s2.3.7、使用标准化的权值wij_in、wij_out和像素强度μ0(i,j)计算子区域ο中轮廓内外的均值co1和co2；当点(i,j)处于子区域ο中轮廓内部时，
s2.3.8、计算轮廓片段δc中所有轮廓点周围区域的像素强度均值mδc，比较mδc与co1和co2的差异，若|mδc-cο1|≤|mδc-cο2|，则轮廓片段δc中的轮廓点处于前景区域，否则处于背景区域。
8.根据权利要求7所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，若轮廓点p处于前景区域，则轮廓点p的演化方向朝向轮廓外部，在能量函数中，演化方向矫正体现为增加前景轮廓点的局部区域内轮廓外部的能量，增加的能量定义为：
若轮廓点p处于背景区域，则轮廓点p的演化方向朝向轮廓内部，在能量函数中，演化方向矫正体现为增加背景轮廓点的局部区域内轮廓内部的能量，增加的能量定义为：
9.根据权利要求1所述的基于主动轮廓和深度学习的模糊边界图像自动分割方法，其特征在于，步骤s2.4中，通过