1.一种联合像素与超像素的交互式图像分割方法，其特征在于，该方法包括以下步骤：S1、采用MeanShift算法对输入图像进行预分割，以完成超像素提取，并采用颜色直方图对每个超像素进行建模，以准确表示超像素的颜色分布；

S2、根据用户输入的交互信息，以超像素为节点建立图模型，并采用最大流最小割算法进行全局求解，以完成超像素级分割过程；

S3、在超像素级分割结果的基础上，采用形态学操作在目标边缘构造一个窄带区域；

S4、在构造好的窄带上为前景和背景区域分别建立相应的前景和背景模型，并对窄带区域以像素点为节点建立图模型，最后再次采用最大流最小割算法进行全局求解，以完成像素级分割过程；

其中，所述步骤S2包括以下步骤：

S21、由用户输入交互信息，标记为目标的超像素集合记为F，标记为背景的超像素集合记为B，未标记超像素集合记为U；

S22、将步骤S1中得到的预分割图像以超像素为节点表示成一个有向加权图G＝(V,E,W)，其中V表示图中节点的集合，对应图像中的每个超像素；E表示图中边的集合，对应图像中连接相邻超像素间的边；W表示图中边的权重，用于表示相邻节点被划分到同一类属的倾向程度；对于任意两相邻超像素i和j，利用其颜色直方图，采用巴氏距离计算其相似度δ(i,j)，并用于表示该两相邻超像素边的权重；

S23、根据用户输入的交互信息采用颜色直方图分别对前景和背景进行建模，并构造两个虚拟节点：对应前景模型的source节点和对应背景模型的sink节点；其中，集合V中的任意节点与source和sink节点所形成边的权重分别表示该节点隶属于前景和背景的倾向程度；对于未标记超像素i，利用其颜色直方图，采用巴氏距离分别计算其与source节点和sink节点的相似度δ(i,F)和δ(i,B)；

S24、针对上述图模型，定义如下能量函数：

其中，第一项为区域信息项，用于度量各超像素与交互信息间的相似程度；第二项为边缘信息项，用于度量超像素间的相似程度；区域信息项和边缘信息项的定义分别如下：b(ιi,ιj)＝λ·δ(i,j)     式(7)

其中，ιi表示节点i的类属编号，ιi＝1对应于前景，ιi＝0对应于背景，表示超像素节点的邻域集合，λ为控制参数；

在以上建立好的图模型基础上，执行最大流最小割算法即可获得基于超像素级的全局最优解。

2.根据权利要求1所述的联合像素与超像素的交互式图像分割方法，其特征在于，所述步骤S3包括以下步骤：S31、记由步骤S2分割得到的二值图像为S，通过对二值图像S进行形态学腐蚀操作，即可得到仅含目标的区域SF＝SΘb，相应像素集合记为TrimapForeground；其中b为(2d+1)×(2d+1)大小的正方形结构元素，式中d为正整数；

S32、对二值图像S进行形态学膨胀操作，并与目标区域SF做差运算即可得到一个同时含有目标和背景的窄带区域 相应像素集合记为TrimapUnknown；

S33、仅含背景信息的区域可表示为SB＝S-(SU+SF)，相应像素集合记为TrimapBackground，这样就可以得到一个三元掩模图像，其中包括已建立好的窄带区域SU。

3.根据权利要求1所述的联合像素与超像素的交互式图像分割方法，其特征在于，所述步骤S4包括以下步骤：S41、将步骤S3中得到的目标区域SF和背景区域SB分别看作虚拟source节点和虚拟sink节点，然后采用主成分分析法分别对其建立前景混合高斯模型和背景混合高斯模型，高斯个数均设为K；

S42、以像素点作为节点对步骤S3中得到的窄带区域建立图模型，并对式(5)能量函数中的区域信息项和边缘信息项进行如下重新定义：其中，dist(i,j)表示像素点i和j的空间距离，Ii表示像素点i的颜色信息，Ij表示像素点j的颜色信息， 在建立图模型过程中采用8邻域，因为λ≥b(ιi,ιj)，所以可取κ＝8λ+1；参数σ用来控制颜色信息差异程度，Dx(i)表示第i个像素点在前景或背景模型中分布情况，其中x∈{F,B}，其值可从下式计算得到：其中， 表示在前景或背景的混合高斯模型中第k个高斯分布所占权重， 和 分别表示前景或背景模型中第k个高斯分布的均值和协方差矩阵， 表示协方差矩阵 的行列式；

在以上建立好的图模型基础上，执行最大流最小割算法即可获得基于像素级的全局最优解。