1.一种锥束计算机断层扫描图像特征提取与对应方法，包括如下步骤：
1)计算得到锥束ct图像的超体素分解与谱空间正交基函数；
2)建立体图像对应任务导向的深度神经网络并进行预训练，得到体图像对应任务导向的深度神经网络参数；
所述体图像对应任务导向的深度神经网络的输入为一对锥束ct图像，输出为该对锥束ct图像各自的超体素特征；
3)将步骤2)得到的参数作为初始值，训练体图像对应任务导向的深度神经网络；具体执行如下操作：
31)利用对应任务导向的深度神经网络输出的锥束ct图像特征，在频域内采用谱方法计算锥束ct图像超体素之间对应关系；
32)利用步骤31)得到的锥束ct图像超体素之间的对应关系，计算体图像对应任务导向的深度神经网络的损失函数，并优化网络参数，得到训练好的体图像对应任务导向的深度神经网络；
4)利用训练好的体图像对应任务导向的深度神经网络，对待处理的锥束ct图像实现特征提取与对应；
41)计算锥束ct图像的超体素分解与谱空间正交基函数；
42)将锥束ct图像输入训练好的体图像对应任务导向的深度神经网络，得到锥束ct图像特征，通过步骤31)中的方法得到锥束ct图像超体素之间的对应关系。
2.如权利要求1所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤1)对锥束ct图像进行超体素分解和计算锥束ct图像的谱空间正交基函数，具体执行如下操作：
11)对锥束ct图像vi和vj，利用单线性迭代聚类算法slic进行超体素分解，分别得到ni和nj个超体素；
12)计算vi和vj的图拉普拉斯矩阵mi和mj，对mi和mj进行特征值分解，分别取前k个特征向量作为vi和vj的谱空间正交基函数φi和φj；其中k＜＜ni,k＜＜nj。
3.如权利要求2所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤11)中，利用单线性迭代聚类算法slic，对大小为1283的图像进行超体素分解，具体分解为15000个超体素。
4.如权利要求1所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤2)建立体图像对应任务导向的深度神经网络，所述体图像对应任务导向的深度神经网络基于具有长连接的三维u形卷积网络3du-net搭建；包括的编码器和解码器分别有六层，包含3×3×3卷积核的卷积层。
5.如权利要求4所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，在所述体图像对应任务导向的深度神经网络的编码器部分，每个卷积层后使用归一化操作和激活函数；在解码器部分，使用反卷积操作提高每一层的分辨率。
6.如权利要求4所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，所述体图像对应任务导向的深度神经网络的解码器包含七层不同分辨率的特征函数，网络输出的锥束ct图像特征由各维特征函数组成。
7.如权利要求6所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，所述体图像对应任务导向的深度神经网络的解码器的特征函数的分辨率分别为23、43、83、163、323、643、1283，各自包含512、512、512、256、128、64、8维特征函数。
8.如权利要求1所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤31)采用谱方法计算锥束ct图像超体素之间对应关系，具体过程如下：
锥束ct图像vi和vj经过对应任务导向的深度神经网络，得到q维超体素特征di和dj，将di和dj投影到谱空间正交基函数φi和φj上，得到超体素特征的谱空间正交基函数系数fi和
其中，c*表示取得最小值的c，c表示fi和fj的对应关系；ψi和ψj是vi和vj的图拉普拉斯矩阵的低秩近似；vi和vj为谱空间正交基函数；式(1)使用f范数，α为权重常数；项
根据c恢复vi和vj的超体素之间的对应关系，表示为式(2)：
其中，pij为vi到vj的对应的置换矩阵，
9.如权利要求8所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤32)将得到的锥束ct图像超体素之间的对应关系，即两个锥束ct图像超体素之间存在对应关系的概率，用于对齐锥束ct图像上的探针函数，并计算现有网络得到的超体素对应结果的损失函数，从而优化网络参数；
网络的损失函数如式(3)所示：
式(3)中，
10.如权利要求9所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，γ1和γ2均取值为0.5。
11.如权利要求1所述锥束计算机断层扫描图像特征提取与对应方法，其特征是，步骤42)具体将一对锥束ct图像vi和vj输入训练好的体图像对应任务导向的深度神经网络，根据vi和vj的谱空间正交基函数φi和φj；所述网络输出vi和vj上超体素的置换矩阵，所述置换矩阵中第m行最大值的索引位置表示vi中第m个超体素在vj中对应超体素的标号。