1.一种二维X射线头影测量图像解剖特征点自动定位方法，其特征是，包括以下步骤：步骤S1，获取一定数量X射线头影测量图像作为样本集；

步骤S2，对样本集中每幅图像：标注出图像中每个特征点的坐标，根据图像中各像素点与特征点的坐标，计算获得每个特征点的偏移距离图；

步骤S3，对于每个特征点：将步骤S2获得的与其对应的所有偏移距离图和步骤S1中头影测量图像样本集作为训练数据，输入预设对抗性网络模型中，以训练该对抗性网络模型预测此特征点的偏移距离图；

步骤S4，对待测X射线头影测量图像，利用步骤S3中已训练的各特征点对应的对抗性网络进行预测，获得每个特征点的偏移距离图；

步骤S5，根据每个特征点的偏移距离图，计算获得每个特征点的坐标。

2.根据权利要求1所述的一种二维X射线头影测量图像解剖特征点自动定位方法，其特征是，根据图像中各像素点与特征点的坐标计算获得每个特征点的偏移距离图的过程为：对图像中每个特征点：

计算每个像素点到该特征点的偏移向量；

根据偏移向量计算获得像素点到该特征点的偏移距离，即可获得此特征点对应的偏移距离图。

3.根据权利要求1所述的一种二维X射线头影测量图像解剖特征点自动定位方法，其特征是，对抗性网络模型包括鉴别器D和生成器G，生成器G的输入是头影测量图像样本集，输出是特征点对应的偏移距离图；鉴别器D的输入是样本集中计算出的偏移距离图和生成器生成的偏移距离图，输出的是预测的真伪值。

4. 根据权利要求3所述的一种二维X射线头影测量图像解剖特征点自动定位方法，其特征是，鉴别器D损失函数如下：  (1)

  (2)

其中，X是输入图像，N是样本数，y∈[0,1]表示输入的标签数据，0表示输入的是生成图像，1表示输入的是真实图像，∈[0,1]是鉴别器网络输出，0表示鉴别器网络判断输入图像为生成图像，1表示鉴别器网络判断输入图像为真实图像，D(X)表示将数据X输入到鉴别器D中得到的输出值，G(X)表示将数据X输入到生成器G中得到的输出值。

5. 根据权利要求3所述的一种二维X射线头影测量图像解剖特征点自动定位方法，其特征是，生成器对抗损失函数和生成器重建损失函数如下：  (3)

其中，Y是根据特征点计算的距离图， 表示计算真实偏移距离图与生成偏移距离图的L2范数，即重建损失值， 是对抗损失函数在生成器损失函数中的比重率，是重建函数在生成器损失函数中的比重率；

同时额外增加生成图像与距离图像的图像梯度损失函数如下：    (4)

其中，表示对图像的求梯度过程， 是对真实偏移距离图x方向上的求梯度， 是对生成偏移距离图x方向上的求梯度， 是对真实偏移距离图y方向上的求梯度， 是对生成偏移距离图y方向上的求梯度；

用于训练生成器G的总损失定义为如下函数：

    (5)

是图像梯度损失函数在总损失函数中的比重率。

6.根据权利要求1所述的一种二维X射线头影测量图像解剖特征点自动定位方法，其特征是，根据每个特征点的偏移距离图，采用投票方法计算获得每个特征点的坐标。

7.根据权利要求6所述的一种二维X射线头影测量图像解剖特征点自动定位方法，其特征是，采用投票方法计算获得每个特征点的坐标的过程为：对偏移距离图上每一个像素点均作同样操作：以偏移距离图中像素点坐标为圆心，以偏移距离图中此像素点的像素值为半径画圆，这个圆与偏移距离图上的交点为可能的特征点集合；

当所有像素点完成以上操作后，则交点最多的点即为预测的特征点。