1.一种图像抠图方法，其特征在于，包括：

步骤1：利用图像训练集训练图像抠图模型；其中，图像训练集中的样本包括原始图像及与其对应的三分图、金标准遮罩和金标准组合遮罩，所述三分图为人工标注绝对背景、绝对后景和未知区域的图像；

所述图像抠图模型包括深度特征提取模块，其用于学习原始图像的语义特征和细节信息特征；相似度学习模块，其用于融合后的语义特征和细节信息特征，得到像素点的相似度关系；遮罩传播模块，其用于根据三分图和像素点的相似度关系，通过传播算法求得每一个像素点的遮罩值，输出原始图像对应的阿尔法遮罩图；

步骤2：将待抠图的原始图像以及与其相对应的三分图输入至训练完成的图像抠图模型，输出待抠图的原始图像对应的阿尔法遮罩图。

2.如权利要求1所述的一种图像抠图方法，其特征在于，所述步骤1中，利用图像训练集训练图像抠图模型的过程，包括：步骤1.1：将图像训练集中的样本输入至深度特征提取模块中，学习得到语义特征和细节特征信息；

步骤1.2：将任一像素点的语义特征和细节特征信息首尾连接进行融合，通过相似度学习模块求得任意两个像素之间的相似度矩阵；

步骤1.3：根据三分图和相似度矩阵，在遮罩传播模块中通过传播算法求得未知区域的阿尔法遮罩值；

步骤1.4：计算总损失并应用于整个图像抠图模型的反向传播；总损失包括两部分损失，其中，一部分是阿尔法遮罩与金标准遮罩之间的损失，另一部分是阿尔法遮罩组合图像与金标准组合图之间的损失。

3.如权利要求2所述的一种图像抠图方法，其特征在于，在所述步骤1.1中，所述深度特征提取模块为深度学习网络。

4.如权利要求3所述的一种图像抠图方法，其特征在于，所述深度学习网络包括语义特征提取分支和细节特征提取分支；所述语义特征提取分支采用Segnet网络结构，用来提取图像的语义特征信息；所述细节特征提取分支包括3个卷积层，用来提取边缘及棱角细节信息。

5.如权利要求1或2所述的一种图像抠图方法，其特征在于，所述相似度学习模块包括1个卷积层和1个指数层。

6.一种图像抠图系统，其特征在于，包括：

图像抠图模型训练模块，其用于利用图像训练集训练图像抠图模型；其中，图像训练集中的样本包括原始图像及与其对应的三分图、金标准遮罩和金标准组合遮罩，所述三分图为人工标注绝对背景、绝对后景和未知区域的图像；

所述图像抠图模型包括深度特征提取模块，其用于学习原始图像的语义特征和细节信息特征；相似度学习模块，其用于融合后的语义特征和细节信息特征，得到像素点的相似度关系；遮罩传播模块，其用于根据三分图和像素点的相似度关系，通过传播算法求得每一个像素点的遮罩值，输出原始图像对应的阿尔法遮罩图；

阿尔法遮罩图输出模块，其用于将待抠图的原始图像以及与其相对应的三分图输入至训练完成的图像抠图模型，输出待抠图的原始图像对应的阿尔法遮罩图。

7.如权利要求6所述的一种图像抠图系统，其特征在于，所述遮罩传播模块，还用于计算总损失并应用于整个图像抠图模型的反向传播；总损失包括两部分损失，其中，一部分是阿尔法遮罩与金标准遮罩之间的损失，另一部分是阿尔法遮罩组合图像与金标准组合图之间的损失。

8.如权利要求7所述的一种图像抠图系统，其特征在于，所述深度特征提取模块为深度学习网络。

9.如权利要求8所述的一种图像抠图系统，其特征在于，所述深度学习网络包括语义特征提取分支和细节特征提取分支；所述语义特征提取分支采用Segnet网络结构，用来提取图像的语义特征信息；所述细节特征提取分支包括3个卷积层，用来提取边缘及棱角细节信息。

10.如权利要求6或7所述的一种图像抠图系统，其特征在于，所述相似度学习模块包括

1个卷积层和1个指数层。