1.一种基于空洞异构卷积的图像分割方法，其特征在于：所述基于空洞异构卷积的图像分割方法包括如下步骤：S1、构建卷积神经网络模型，所述卷积神经网络模型中的一个或多个滤波器被替换为空洞异构卷积滤波器，所述空洞异构卷积滤波器的设置如下：S11、将各空洞异构卷积滤波器按其通道数C等分为n个组别，每个组别包含 个卷积核；

S12、预设空洞率组合为一组不重复的超参数r＝[r1,r2,…,ri,…,rn]，ri为第i个空洞率，i＝1,2,…,n，对应分配给每个组别上的卷积核，使每个组别的卷积核具有相同的空洞率，且不同组别之间的卷积核具有不同的空洞率，具体如下：首先按照超参数r中的原有顺序得到序列S1＝，并将序列S1中的值作为空洞率按序对应分配至第一个空洞异构卷积滤波器的n组卷积核上；到第二个空洞异构卷积滤波器时，将序列S1中的值整体向右平移，则位于序列S1中末尾的值被移接到首位得到序列S2＝，并将序列S2中的值作为空洞率按序对应分配至第二个空洞异构卷积滤波器的n组卷积核上；同理第j个空洞异构卷积滤波器依次类推，j＝1,

2,…,N，N为空洞异构卷积滤波器的总数，且当N大于序列的排列组合总数n时循环操作，最终会有序形成N个空洞异构卷积滤波器；

S2、利用数据集对构建的卷积神经网络模型进行训练及验证，获得最终卷积神经网络模型；

S3、将待分割图像输入最终卷积神经网络模型获得输出特征图；

S4、利用图像分割网络模型对输出特征图进行处理获得图像分割结果。

2.如权利要求1所述的基于空洞异构卷积的图像分割方法，其特征在于：所述卷积神经网络模型为Resnet50网络。

3.如权利要求2所述的基于空洞异构卷积的图像分割方法，其特征在于：所述Resnet50网络包括依次连接的卷积层、池化层、第一残差块、第二残差块、第三残差块和第四残差块，所述第一残差块包括三个串接的瓶颈层，所述第二残差块包括四个串接的瓶颈层，所述第三残差块包括六个串接的瓶颈层，所述第四残差块包括三个串接的瓶颈层，各所述瓶颈层由卷积核大小为1*1的滤波器、卷积核大小为3*3的滤波器、卷积核大小为1*1的滤波器、BN层和RELU激活函数串接组成，且所述第四残差块的三个瓶颈层的卷积核大小为3*3的滤波器被替换为卷积核大小为3*3的空洞异构卷积滤波器。

4.如权利要求3所述的基于空洞异构卷积的图像分割方法，其特征在于：所述卷积层的卷积核大小为7*7。

5.如权利要求1所述的基于空洞异构卷积的图像分割方法，其特征在于：所述数据集为ade20k数据集。

6.如权利要求1所述的基于空洞异构卷积的图像分割方法，其特征在于：所述利用数据集对构建的卷积神经网络模型进行训练及验证，具体为将数据集中大小为512*512的图像以12的batchsize输入卷积神经网络模型训练120个epoch。

7.如权利要求1所述的基于空洞异构卷积的图像分割方法，其特征在于：所述图像分割网络模型为deeplabv3网络模型、pspnet网络模型、upernet网络模型其中之一。