1.一种基于区域概率标签驱动主动轮廓的高分辨率图像分割方法，其特征在于，其步骤如下：步骤一：对原始高分辨图像IK进行下采样，得到一系列图像Ik，k∈{1,2,3,…K}，从I1到IK分辨率递增；

步骤二：加载图像Ik并进行预处理，当k＝1时，执行步骤三，当k>1时，执行步骤四，当k>K时，结束运算；

步骤三：通过交互方式确定初始轮廓，根据初始轮廓和图像Ik的大小初始化水平集函数Φ，并根据水平集函数Φ初始化统计参数；

步骤四：根据图像Ik的大小对由Ik‑1得到的水平集函数 进行上采样求得 并将Ik‑1的统计参数作为图像Ik的统计参数；

步骤五：基于水平集函数和统计参数计算区域概率标签，并在区域概率标签的驱动下更新分割轮廓；

步骤六：基于区域概率标签更新水平集函数和统计参数；

步骤七：判断是否满足停止条件，若不满足，返回步骤五；若满足，令k＝k+1，当k>K时，运算结束，输出结果，否则，返回步骤二；

所述区域概率标签的计算方法为：

通过当前的水平集函数计算几何先验wi：w2＝1‑w1

其中，ε为近似系数；φj为像素xj对应的水平集函数；

提出区域Student’s‑t分布：LSt

其中，p (xj|θi)表示区域概率分布，θi＝{μi,Σi,νi}为统计参数，μi为均值，Σi为方差矩阵，νi为自由度； 表示学生t分布函数，αj为以像素xj为中心的区域；将区域Student’s‑t分布带入Bayes公式，得到像素xj属于Ωi的区域概率标签：所述水平集函数的更新方法为：

其中 n表示第n次迭代，Δt表示时间步长，β和γ分别用来调节轮廓长度和面积在能量函数中的权重，表示梯度；

所述统计参数的更新方法为：

均值μi的更新公式为：

2

其中， 为统计分布的权重系数；d为像素xj的维度；Δji为Mahalanobis距离；

方差矩阵Σi的更新公式为：

自由度νi的更新公式为：

其中， 是伽玛函数Γ(·)对数的导数。

2.根据权利要求1所述的基于区域概率标签驱动主动轮廓的高分辨率图像分割方法，其特征在于，水平集函数和统计参数的初始化方法为：令图像的观测值d维变量xj服从多元Student’s‑t分布，j＝{1,2,...,N}，Ωi是2D图像空间，i∈{1,2}，并且每个像素xj∈Ωi，对于每个像素有：其中，S(xj|θi)表示分布函数，θi＝{μi,Σi,νi}为统计参数，μi为均值，Σi为方差矩阵，2

νi为自由度；Γ(·)是Gamma函数， Δji为Mahalanobis距离：像素xj对应的水平集函数为φj∈R，当k＝1，通过交互的方法进行初始化；

令H(·)表示Heaviside阶跃函数：对均值μi进行初始化：

对方差矩阵Σi进行初始化：

对自由度νi进行赋初值：ν1＝ν2＝1。

3.根据权利要求2所述的基于区域概率标签驱动主动轮廓的高分辨率图像分割方法，其特征在于，步骤四的实现方法为：当k>1时，图像Ik的水平集和统计参数由图像Ik‑1的分割结果来确定，其具体方法为：首先通过Ik‑1得到的水平集函数 根据Ik的大小对水平集函数 进行上采样得到将图像Ik‑1的统计参数作为Ik进行分割的统计参数的起始值：经过上述初始化后，对图像Ik进行新一轮的分割。