1.一种广义小样本图像分割方法，其特征在于，包括以下步骤：获取图像样本；

构建广义小样本语义分割模型，利用所述图像样本对广义小样本语义分割模型进行训练：将图像样本于广义小样本语义分割模型中提取特征图，在提取特征后对特征图进行语义稳态扩散：对特征图进行特征扩散加噪，步骤为：计算局部相邻位置之间特征值的变化或差异程度估计梯度强度，量化特征图中每个特征点位置的变化趋势，并根据每个特征位置的梯度幅度生成动态噪声，在生成动态噪声时，使用梯度幅度的平方来计算动态噪声系数，动态噪声系数与梯度幅度成反比；在每个特征位置上将生成的动态噪声叠加到原始特征上：h'(x,y)＝h(x,y)+c(x,y)·noise

其中，h'(x,y)为添加噪声后的特征，h(x,y)为提取的特征，noise为标准差为1的随机噪声；

将经过扩散处理的特征重新排列，并去除加的噪声，得到去噪后的特征图；

对去噪后的特征图进行环境感知语义标记：对去噪后的特征图进行全局平均池化，生成通道级的全局个性化向量，并将其输入感知层生成上下文感知的通道权重；为去噪后的特征图生成可学习组标记，组标记中每个标记对应一个语义类别，将所述通道权重作用到可学习组标记，生成与当前输入的去噪后的特征图上下文相关的个性化组标记；

利用所述个性化组标记动态地对特征图中每个通道进行加权，步骤为：设计基于MMoE的动态加权机制，将每个个性化组标记作为一个“Gate”，捕捉特定语义类别的特征；通过Gate动态地对特征图中每个通道进行加权：当输入特征图经过组标记处理后，个性化组标记用于对特征图中每个通道进行加权得到 C是指类别数，公式如下:其中⊙为哈达玛积， 表示去除噪声后的特征图中通道d的特征，为语义个性化的组标记，用于动态调整权重；

对每个像素位置的类别进行预测，实现对图像的分割。

2.根据权利要求1所述的广义小样本图像分割方法，其特征在于，利用重构损失和特征多样性损失对加噪和去噪过程进行监督；其中，所述重构损失以均方误差作为度量标准，度量原始特征图和去噪后的特征图之间的差异；

所述特征多样性损失通过计算去噪后的特征图的方差衡量特征的多样性。

3.根据权利要求1所述的广义小样本图像分割方法，其特征在于，生成可学习组标记的步骤为：初始化一组可学习的组语义标记，每个标记对应一个潜在的语义类别；

动态调整各像素特征与组标记中各标记的相似度，生成每个像素特征属于各组标记的归属程度，对分配给每个标记的像素特征进行加权聚合，更新组标记。

4.根据权利要求3所述的广义小样本图像分割方法，其特征在于，生成每个像素特征属于各组标记的归属程度时，允许一个像素特征同时分配给多个组标记，但具有不同的权重或概率。

5.根据权利要求1所述的广义小样本图像分割方法，其特征在于，利用对比损失促进标记之间的区分性，并通过最大化每个像素特征与正样本标记的相似度，同时最小化与负样本标记的相似度，优化每个像素的特征表示。

6.根据权利要求1所述的广义小样本图像分割方法，其特征在于，对加权特征图进行卷积操作，将通道维度映射到类别数量；

计算每个像素位置的类别概率分布，并取每个像素位置上概率最高的类别作为该像素的预测结果。

7.根据权利要求1所述的广义小样本图像分割方法，其特征在于，训练分为第一训练阶段和第二训练阶段；

第一训练阶段，广义小样本语义分割模型在基础类别数据和背景类别上进行训练，以学习基础类别的语义特征对基类进行学习；

第二训练阶段，利用新类别作为数据集在经过第一训练阶段后的广义小样本语义分割模型中对新类别进行更新，同时对基础类别、新类别进行分类。

8.一种广义小样本图像分割系统，其特征在于，包括用于获取图像样本的数据获取模块、处理模块和存储模块；

所述数据获取模块与处理模块连接，向所述处理模块发送图像样本，所述处理模块和存储模块通信连接，所述存储模块用于存放至少一个可执行指令，所述可执行指令使所述处理模块根据所述图像样本执行如权利要求1‑7任一项所述的广义小样本图像分割方法对应的操作，对图像进行分割。