1.一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：包括以下步骤：

S1、使用Colmap开源软件包根据图像序列重建出三维点云数据和相机位置信息；

S2、利用生成的三维点云数据和相机位置信息，使用3DGS从三维点云数据训练出高斯核来表示真实的三维场景；

S3、使用DEVA模型，分割原始图像序列，生成每个图像的灰度图，使用不同的灰度值表示图像中的不同物体，不同图像中相同物体的灰度相同，使用分割出的图像灰度表示场景中物体的类别；

S4、在训练好的高斯核上，使用灰度图像训练出一个32位的类别特征；

同时使用神经网络训练出一个辨别器，辨别器的输入为32位的类别特征，输出值的范围为0‑255，表示物体类别；

S5、使用训练好的辨别器，传入每个高斯核的32位特征，得到每个高斯核的类别；

根据类别编码或者直接从任意角度的图像中选择物体，提取出指定类别的高斯核；

S6、使用KNN算法，从提取出来的高斯核中删除离群高斯核，减少生成图像的噪点。

2.根据权利要求1所述的一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：每个所述高斯核均包含位置μ、协方差矩阵Σ、透明度α和球谐函数信息SH，颜色信息用球谐函数表示；在特定的相机位姿下，3DGS可以将3D的高斯核投影到2D的成像平面，然后通过α混合方法将映射到像素上的N个有序高斯核的颜色叠加，从而计算出像素的颜色，计算公式为：其中c表示计算出的像素颜色，ci表示每个高斯核上携带的颜色信息，αi表示每个高斯核的透明度。

3.根据权利要求2所述的一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：所述步骤S3包括：对于输入图像I，对应的2D分割掩码M可以表示为：Mp＝DEVA(I)(1.2)

其中，p表示图像的所有像素，Mp表示图像中每个像素的类别编码。

4.根据权利要求3所述的一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：所述步骤S4包括以下步骤：S4.1、在训练好的高斯核上额外训练一个类别特征编码，类别特征编码是一个长度为

32位的张量，这个类别特征编码能区分场景中的不同物体；

S4.2、将高斯核的类别特征编码映射到图像上，然后求出图像预测类别和真实类别的损失；

S4.3、训练一个多层感知器作为辨别器将32位的特征编码恢复到原始的256位信息。

5.根据权利要求4所述的一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：所述步骤S4.2包括：借助3DGS中的3D高斯渲染器，将类别特征编码以可微分的映射到图像的每个像素，结合高斯中的α混合渲染方式，计算每个高斯核对图像像素的影响权重，然后将映射到像素上的N个有序高斯核特征编码累加，得到每个像素的特征编码，与颜色特征的计算过程类似，类别特征编码的计算方式为：其中，F表示最终渲染在图像每个像素上的32位类别特征编码，fi表示每个高斯核上的类别特征编码，αi表示每个高斯核的透明度。

6.根据权利要求5所述的一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：所述步骤S4.3包括：假设图像I的像素数量为P，Ip表示图像的每个像素，h(Ip)表示辨别器对32位特征进行映射后得到的256位特征，g(h(Ip))表示将256位特征通过softmax函数转化为概率分布，则图像中每个像素的类别可以表示为：其中，g(h(Ip))c表示概率分布中第c个类别的概率， 表示图像中每个像素的预测类别，得到预测类别之后，利用真实的图像类别，可以计算出真实类别与预测类别之间的交叉熵损失用于反向传播，计算方式为：其中，Li表示训练的第i张图像在分类任务中的交叉熵损失。

7.根据权利要求6所述的一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：所述步骤S5使用直接从任意角度的图像中选择物体时，由于三维场景在屏幕上是以图像的方式展示的，因此首先可以使用SAM模型对展示在屏幕上的图像I进行分割，将点击位置作为输入提示β得到点击物体在2维空间获取物体的掩膜，可以表示为：M＝SAM(I,β)(1.6)其中，M表示结合输入提示得到的分割掩膜；

由于展示图像是使用3DGS模型通过高斯核映射得到，因此可以将高斯核上训练好的32位类别特征编码通过映射存储在每个像素上，使用之前训练好的辨别器，结合分割掩膜，可以得到分割出来的每个像素的类别，Fp＝h(I(M))(1.7)

其中，Fp表示分割图像每个像素的类别集合，I(M)表示展示图像的掩膜部分，通过统计每个类别在掩膜部分中出现的频率确定分割物体的类别，从而确定当前被分割物体的类别编码，类别编码的计算方式可以表示为：其中，δ(x,y)为克罗内克delta函数，当x＝y时返回1，否则返回0，再通过类别编号找到属于该类别的高斯核，即可实现三维模型分割。

8.根据权利要求7所述的一种基于3D Gaussian Splatting的三维场景任意角度模型分割方法，其特征在于：所述步骤S6包括：选择合适的K值，计算出分割出来的每个高斯核和距离最近的K个高斯核的平均距离，选择合适的K值和距离度量方法，可以够识别并删除不属于分割模型的噪点；

假设场景中的高斯核数量为N，使用Pi表示第i个高斯核的坐标，K表示最近邻高斯核的个数，D表示平均距离阈值；首先，计算每个点的最近K个邻居点的平均距离Di：其中，dij表示第i个高斯核Pi与第j个最近邻居点之间的距离；接下来通过距离阈值D删除噪点，删除噪点之后得到的新的高斯核可以表示为：{Pi|Di≥D}(1.10)。