1.一种基于边界增强的图像分割方法，其特征在于，包括：

基于编码器‑解码器框架建立边界增强的图像分割网络模型；

对所述图像分割网络模型进行训练，并利用训练好的网络模型对输入图像进行分割，得到分割结果图；

其中，所述图像分割网络模型的编码器包括第一特征提取模块、边界提取模块以及第二特征提取模块；

所述第一特征提取模块用于输入图像进行特征提取，得到第一特征图；

所述边界提取模块用于提取所述第一特征图的边界特征，同时提取输入图像对应的图像标签的边界标签，并利用所述边界标签对输出的边界特征进行监督，得到边界特征图；

所述第二特征提取模块用于对所述第一特征图和所述边界特征图进行多尺度特征提取，得到不同尺度的特征图；

所述图像分割网络模型的解码器包括双向互增强模块和一个多尺度注意力聚合模块；

所述双向互增强模块用于对所述不同尺度的特征图进行处理，得到不同尺度的增强特征图；

所述多尺度注意力聚合模块用于基于尺度维度、空间维度以及通道维度对所述增强特征图进行注意力聚合处理，得到多维度融合特征图。

2.根据权利要求1所述的基于边界增强的图像分割方法，其特征在于，所述第一特征提取模块为一个卷积层，其包括1个3×3卷积操作Conv、1个批标准化BN以及1个线性整流函数ReLU。

3.根据权利要求1所述的基于边界增强的图像分割方法，其特征在于，所述边界提取模块采用拉普拉斯算子、Sobel算子、Canny算子或者LoG算子实现对边界标签的提取。

4.根据权利要求1所述的基于边界增强的图像分割方法，其特征在于，所述边界提取模块包括2个拉普拉斯算子和1个卷积层；其中，第一个拉普拉斯算子用于提取所述第一特征图的边界特征，第二个拉普拉斯算子用于提取输入图像对应的图像标签的边界标签；

卷积层用于对所述边界特征进行处理，并在模型训练阶段基于所述边界标签对所述第一特征提取模块的输出进行监督，得到边界特征图。

5.根据权利要求1所述的基于边界增强的图像分割方法，其特征在于，所述第二特征提取模块采用卷积神经网络架构，其可以为ResNet‑50、ResNet‑152、ResNeXt‑50、ResNeXt‑

101或ResNeXt‑152中的任意一种。

6.根据权利要求1所述的基于边界增强的图像分割方法，其特征在于，所述第二特征提取模块采用基于ResNet‑101的卷积神经网络架构，其包括下采样层、ResNet‑101第一阶段、ResNet‑101第二阶段、ResNet‑101第三阶段、ResNet‑101第四阶段；其中，所述ResNet‑101第一阶段包含3个残差块，所述ResNet‑101第二阶段包含4个残差块，所述ResNet‑101第三阶段包含23个残差块，所述ResNet‑101第四阶段包含3个残差块。

7.根据权利要求1所述的基于边界增强的图像分割方法，其特征在于，所述双向互增强模块包括若干结构相同的双向互增强子网络，每个双向互增强子网络均包括第一增强模块和第二增强模块，分别用于对两个不同尺寸的特征图进行增强处理；其中，所述第一增强模块首先采用两个卷积层对具有第一尺寸的输入特征图进行处理，以获得具有第一尺寸的第二特征图；然后依次通过一个卷积层、一个池化层和一个Sigmoid激活层对具有第一尺寸的输入特征图进行处理，以获得具有第二尺寸的第三特征图；

相应的，所述第二增强模块首先采用两个卷积层对具有第二尺寸的输入特征图进行处理，以获得具有第二尺寸的第四特征图；然后依次通过一个卷积层、一个上采样层和一个Sigmoid激活层对具有第二尺寸的输入特征图进行处理，以获得具有第一尺寸的第五特征图；

所述第一增强模块还用于将所述第二特征图和所述第五特征图相乘，并通过一个卷积层，获得具有第一尺寸的第一增强特征图；

所述第二增强模块还用于将所述第三特征图和所述第四特征图相乘，并通过一个卷积层，获得具有第二尺寸的第二增强特征图。

8.根据权利要求6所述的基于边界增强的图像分割方法，其特征在于，所述双向互增强模块包括两个双向互增强子网络，其中一个双向互增强子网络的输入为ResNet‑101第一阶段和ResNet‑101第三阶段的输出特征图；另一个双向互增强子网络的输入为ResNet‑101第二阶段和ResNet‑101第四阶段的输出特征图。

9.根据权利要求1所述的基于边界增强的图像分割方法，其特征在于，所述多尺度注意力聚合模块包括多尺度融合子网络、尺度维度注意力子网络、空间维度注意力子网络、以及通道维度注意力子网络；其中，所述多尺度融合子网络用于对所述不同尺度的增强特征图进行尺寸变换和特征级联；

所述尺度维度注意力子网络用于对级联后的特征图在尺度维度上进行全局平均池化，以获得尺度维度注意力处理后的特征图；

所述空间维度注意力子网络用于对尺度维度注意力处理后的特征图在空间维度上分别进行全局平均池化以及最大值池化，以获得空间维度注意力处理后的特征图；

所述通道维度注意力子网络用于对空间维度注意力处理后的特征图在通道维度上进行全局平均池化，以获得多维度融合特征图。