1.一种基于骨架和边界增强的曲线结构分割的方法，所述方法包括下列步骤：

步骤1：选择曲线结构数据集，对数据集中的分割标注分别应用Canny算子和骨架化算法生成对应的边界标注和骨架标注；

步骤2：搭建Skeleton and Edge Boosted Network(SEBN)，该网络基于卷积神经网络的编码器‑解码器架构，解码器由四个串联的Three‑Head‑Fusion Module(THFM)组成，在解码器的多个尺度上进行三特征融合，SEBN使用Gated Attentive Unit(GAU)来连接编码器和和解码器，利用三次迭代反馈机制对分割特征进行细化；

步骤3：在网络的损失函数中定义了曲线结构分割、边界检测和骨架提取的损失函数；

步骤4：使用带有三种标注的曲线结构图像数据集对SEBN网络进行训练，得到最佳权重模型；

步骤5：将测试集输入到训练好的SEBN模型中，SEBN最后一次迭代时，在SEBN的末端设计Sigmentation‑Supplementary‑Module(SSM)，用骨架预测来补充分割预测。

2.根据权利要求1中所述的基于骨架和边界增强的曲线结构分割的方法，其特征在于，在步骤1中，所选择的公开的曲线结构数据集包括医学血管数据集和道路裂缝数据集，对公开的数据集的分割标注使用Canny算子和Python库中的Skeletonize算法生成相应的边界标注和单像素骨架标注，将单像素骨架标注膨胀为像素宽度为3的骨架，得到最终的骨架标注。

3.根据权利要求1中所述的基于骨架和边界增强的曲线结构分割的方法，其特征在于：

在步骤2中，SEBN使用编码器‑解码器架构，编码器由VGG16的前五层构建。在解码器中使用四层串联的THFM在解码器的不同尺度上进行三特征融合，用上采样来逐渐还原图像的细节和空间信息。具体来说，在每个THFM中，曲线分割头、边界检测头和骨架提取头都各自将上一层THFM的特征上采样到相同的尺寸，曲线分割的特征与对应层的GAU的特征进行concatenate，再经过两个卷积模块得到分割特征，该分割特征流向两侧的边界检测头和骨架提取头。边界检测头和骨架提取头结合流入的分割特征，各自经过两个卷积模块进行学习，得到该层THFM的边界特征和骨架特征，这两个特征再回流到曲线分割头中。回流的两个特征与曲线分割的特征进行concatenate，再经过一个卷积模块，与曲线分割头中之前的分割特征相加，得到该层THFM的曲线分割特征。该层的曲线分割特征、边界特征和骨架特征输入到下一层THFM中。

4.根据权利要求1中所述的基于骨架和边界增强的曲线结构分割的方法，其特征在于：

在步骤3中，SEBN定义了曲线结构分割，边界检测和骨架提取的三个损失函数，损失函数使用的传统的二进制交叉熵损失。在三次迭代中都计算这三个损失。最后将所有损失函数相加再进行反向传播。

5.根据权利要求1中所述的基于骨架和边界增强的曲线结构分割的方法，其特征在于：

在步骤5中，将测试集输入到训练好的SEBN模型中，SEBN得到曲线结构分割、边界检测和骨架提取的预测图，模型最后一次迭代中，在SEBN末端设计SSM，将更完整的骨架预测图进行骨架化单像素骨架，再与分割预测图相加，最终得到完整且连通性高的分割输出。