1.一种结合深度学习形状先验的MRF图像分割方法，其特征在于，所述方法包括下述步骤：S100、图像粗分割：

输入图像I，基于MRF，计算所述图像I的外观能量项EA(f|I)，对外观能量项EA(f|I)进行最小化，得到图像I的粗分割结果f1；

S200、训练由RBM、DBN、DBM形状模型组成的深度学习模型：对和图像I属于同一视频序列的多帧图像进行归一化，得到一批形状图像，将这批形状图像作为训练数据输入深度学习模型中，分别训练RBM、DBN、DBM形状模型，得到深度学习模型的参数；

S300、采样得到形状先验：

按照步骤S100中的方法对和图像I属于同一视频序列的多帧图像Ii进行粗分割，得到多帧图像Ii的粗分割结果 将粗分割结果 归一化至步骤S200中形状图像的大小，并将归一化后的 分别作为步骤S200中已得到参数的深度学习模型的的输入，经过采样得到形状先验S，然后将形状先验S缩放到输入图像I大小；

S400、利用约束项进行图像分割：

基于MRF，计算得到由步骤S300得到形状先验S的能量项ES(f|I)，与步骤S100中的外观能量项EA(f|I)结合得到总能量约束项E(f|I)，求解E(f|I)的最小值，进而得到最终的分割结果f。

2.根据权利要求1所述的方法，其特征在于，优选的，所述的外观能量项EA(f|I)按下式计算：fp是给像素p分配的一个标记，fq是给像素q分配的一个标记，P为图像中全部像素的集合，Np为像素p相邻所有像素的集合，vp是像素点p的特征向量， 是概率密度函数的参数向量，vp、vq是像素p、q的特征向量，dist(p,q)是像素p和q间的欧氏距离，参数σ是对噪声的估计，权值λ用来衡量二阶势函数的相对重要性。

3.根据权利要求1所述的方法，其特征在于：所述步骤S100中利用最大流/最小割定理对外观能量项EA(f|I)进行最小化。

4.根据权利要求1所述的方法，其特征在于，步骤S200中深度学习模型的参数包括深度学习模型的权值和偏置。

5.根据权利要求1所述的方法，其特征在于，步骤S200中对和图像I属于同一视频序列的多帧图像进行归一化具体为：将和图像I属于同一视频序列的多帧图像归一化为32x32或

64x64大小的图像。

6.根据权利要求1所述的方法，其特征在于：步骤S300中通过Matlab中的reshape函数或者SIFT方法将形状先验S缩放到待分割图像I大小。

7.根据权利要求1所述的方法，其特征在于：步骤S400中所述先验能量项ES(f|I)按下式计算：其中， 表示为：

此时 表示形状模板在像素点p处的值。

8.根据权利要求1所述的方法，其特征在于，按照下式计算步骤S400中的E(f|I)：E(f|I)＝EA(f|I)+ES(f|I)。

9.根据权利要求7所述的方法，其特征在于：所述步骤S400中利用最大流/最小割定理求解E(f|I)的最小值。