1.一种基于宽激活卷积神经网络的改进图像分割方法，其特征在于包括如下步骤：步骤1、对彩色图像进行预处理，确定测试集和训练集，并将图像划分为图像块作为输入；

步骤2、构建宽激活残差模块；

步骤3、构建多尺度特征融合模块；

所述的多尺度特征融合模块包括m个由空洞卷积层、权重正则化层和ReLU激活层组成的复合层，其中，i

(1)所述空洞卷积层的空洞率为2，i＝0,1,...,m‑1(2)所述权重正则化层，假设输出y具有以下形式:y＝w·x+b                        (1)其中，w是k维权值向量，b是偏差项,x是k维输入特征向量，代指输入的图像块；权重正则化WN以新的参数对权值向量重参数化，使用公式：其中，v是k维向量，g是一个标量，||v||表示v的欧几里德范数；

(3)所述m个复合层按公式(3)进行融合：i

其中，di＝2表示空洞率，Hl+i(·)表示第l+i层空洞卷积操作，其中 Wn(·)表示权重正则化，f(·)表示ReLU激活,yout为m个复合层的输出；

步骤4、将所述的宽激活残差模块和多尺度特征融合模块嵌入到原始卷积神经网络，构建基于宽激活的改进卷积神经网络，具体步骤为：步骤4‑1：网络起始搭建一个BN层作为输入；

步骤4‑2：将宽激活残差模块的输出端连接一个最大池化层组成一个块；

步骤4‑3：连续使用n个步骤4‑2所述块，将最终的输出端和多尺度特征融合模块输入端连接；

步骤4‑4：进行上采样和不带ReLU的卷积，输入相应宽激活残差块；重复执行4‑4步骤n次；

步骤4‑5：将步骤4‑3和4‑4中特征图大小相同的宽激活残差块合并；

步骤4‑6：将步骤4‑1的输出经过一个全局恒等映射送入1×1×2的卷积层和softmax层；

步骤5、对构建的所述基于宽激活的改进卷积神经网络进行训练，得到所需分割网络；

步骤6、将测试集输入步骤5得到的分割网络，得到分割后的图像。

2.根据权利要求1所述的一种基于宽激活卷积神经网络的改进图像分割方法，其特征在于：所述宽激活残差模块包括残差分支中依次连接的第一卷积层，ReLU激活层、第二卷积层和捷径分支的恒等映射层，其中，(1)所述第一卷积层的特征通道数C1是输入特征通道的2‑4倍，即：C1＝r×Cin                       (1)其中，r为引入激活前的扩大因子，Cin是输入特征通道数；

(2)所述ReLU激活层的数学表达式为：f(x)＝max(0,x)                    (2)其中，x是第一卷积层的输出；

(3)所述第二卷积层特征通道数C2与输入特征通道数相同，即C2＝Cin；

(4)所述恒等映射层特征通道数是Cin或加一个1×1的卷积层匹配通道数。