1.一种基于深度轮廓感知的牙齿分割方法，其特征在于，所述方法包括以下步骤：S1、获取牙齿图像数据集，对其中的牙齿图像进行预处理操作，并将其作为训练集图像；

S2、从训练集图像中人工标注的二值原始掩膜经过形态学处理提取出轮廓掩膜并将其加粗；

S3、将加粗后的轮廓掩膜作为第一监督信息，将预处理后的原始牙齿图像经过全卷积网络，最小化第一损失函数，训练所述全卷积网络，得到轮廓预测概率图；

S4、构造出包括收缩路径和扩张路径的U形深度轮廓感知网络；

S5、将所述原始掩膜作为第二监督信息，使预处理后的牙齿图像和轮廓预测概率图进行融合，融合后经过U形深度轮廓感知网络，得到牙齿分割结果图，通过最小化第二损失函数，训练所述U形深度轮廓感知网络；

S6、获取拍摄的待分割牙齿图像，将待分割牙齿图像进行与步骤S1相同的预处理操作，将预处理后的待预测牙齿图像送入训练好的U形深度轮廓感知网络中，得到待分割牙齿图像的粗分割结果；

S7、对所述分割结果进行平滑处理，得到牙齿图像的细分割结果。

2.根据权利要求1所述的一种基于深度轮廓感知的牙齿分割方法，其特征在于，所述步骤S2包括采用candy算子提取出人工标注的二值原始掩膜的边缘，获得轮廓掩膜，对轮廓掩膜采用数据膨胀处理，加粗其轮廓，其中数据膨胀处理包括用圆盘过滤器加粗轮廓。

3.根据权利要求1所述的一种基于深度轮廓感知的牙齿分割方法，其特征在于，步骤S3中的所述轮廓预测概率图包括将训练集中的牙齿图像和经形态学方法提取的轮廓掩膜通过全卷积网络，并最小化第一损失函数获得，所述第一损失函数为交叉熵损失函数，计算公式为：其中，N表示像素点个数， 表示对像素点i的预测，y(i)表示像素点i对应的真实标签。

4.根据权利要求1所述的一种基于深度轮廓感知的牙齿分割方法，其特征在于，所述U形深度轮廓感知网络的收缩路径和扩张路径，所述收缩路径包括5个重复的单元，每个单元包括2个卷积层1个池化层；所述扩张路径包括与收缩路径特征深度相同的5个单元，每个单元包括2个卷积层和1个转置卷积层，并将对应深度的收缩路径单元和扩张路径单元进行串连，其中，所述串连包括将特征图重叠；通过最小化第二损失函数训练所述U形深度轮廓感知网络。

5.根据权利要求1或4所述的一种基于深度轮廓感知的牙齿分割方法，其特征在于，所述第二损失函数包括其中，a表示预测出的分割牙齿图像；b表示原始掩膜。

6.一种基于深度轮廓感知的牙齿分割装置，其特征在于，所述装置包括：图像获取模块，用于获取牙齿图像数据集以及待分割牙齿图像；

形态学处理模块，用于将训练集图像中的原始掩膜经过形态学处理提取出其轮廓掩膜；

轮廓预测概率模块，用于通过轮廓掩膜获取轮廓预测概率图；

网络构造模块，用于构造出包括收缩路径和扩张路径的U形深度轮廓感知网络；

图像融合模块，用于融合牙齿图像和轮廓预测概率图；

图像粗分割模块，将待分割的牙齿图像经过U形深度轮廓感知网络，获得牙齿图像的粗分割结果；

图像细分割模块，将牙齿图像的粗分割结果进行平滑处理，得到牙齿图像的细分割结果。

7.根据权利要求6所述的一种基于深度轮廓感知的牙齿分割装置，其特征在于，所述形态学处理模块包括：灰度处理单元，用于将彩色的牙齿图像进行灰度化；

高斯滤波器，用于将灰度化后的牙齿图像进行平滑处理并去噪；

边缘检测单元，用于提取牙齿图像的轮廓掩膜；

膨胀处理单元，用于加粗轮廓掩膜。

8.根据权利要求6所述的一种基于深度轮廓感知的牙齿分割装置，其特征在于，所述轮廓预测概率模块包括：全卷积网络单元，包括全卷积结构的网络单元，用于预测出轮廓预测概率图；

第一监督单元，用于将加粗后的轮廓掩膜作为第一监督信息；

第一损失函数单元，用于根据对像素点预测以及像素点对应的真实标签，优化训练全卷积网络单元。

9.根据权利要求6所述的一种基于深度轮廓感知的牙齿分割装置，其特征在于，所述网络构造模块包括：第二监督单元，用于将原始掩膜作为第二监督信息；

第二损失函数单元，用于根据预测出的轮廓分割概率图像和原始掩膜训练U形深度轮廓感知网络；

U形深度轮廓感知网络，包括收缩路径层和扩张路径层；

收缩路径层，包括5个重复的单元，每个单元包括2个卷积层和1个池化层；

扩张路径层，包括与收缩路径特征深度一致的5个单元，每个单元包括两个卷积层和一个转置卷积层；

对应深度的收缩路径单元和扩张路径单元进行串联。

10.一种计算机设备，包括至少一个处理器；以及与所述处理器通信连接的至少一个存储器，其中：所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至5任一所述的方法。