1.一种基于改进ResNet-UNet网络的立木图像分割方法，其特征在于，所述方法包括：步骤1、首先对采集的原始立木图像进行预处理；

步骤2、然后将预处理后的原始立木图像输入改进后的ResNet-UNet网络模型，得到初步的立木分割图；

步骤3、再对该初步的立木分割图进行后期处理，依据改进后ResNet-UNet网络模型的训练精度，对所述初步的立木分割图设定动态阈值，并为前景背景赋值，输入惩罚奖励机制，实现立木图像的二值化分割，最后得到高质量的立木分割图。

2.根据权利要求1所述基于改进ResNet-UNet网络的立木图像分割方法，其特征在于，在步骤1中，预处理过程具体为：首先对采集的原始立木图像进行分辨率统一和灰度化处理，以提高分割的效率；

采用随机旋转、镜像、按比例随机缩放的方式对原始立木图像的样本数据量进行扩充；

并从扩充后的样本中随机挑选60％作为训练集、20％作为验证集、20％作为测试集。

3.根据权利要求1所述基于改进ResNet-UNet网络的立木图像分割方法，其特征在于，在步骤2中，所述改进后的ResNet-UNet网络模型使用ResNet-34作为特征提取前端，同时利用UNet网络的设计思路，采用上采样和特征复制拼接还原图像分辨率，具体过程为：在特征提取部分，首先将得到的尺寸为512×512预处理后的原始立木图像输入ResNet-34网络的特征提取模块，使用独立卷积结构和卷积残差结构、去除ResNet-34的平均池化和全连接层；其中，为了将ResNet与U-Net网络有机融合，ResNet-UNet网络特征提取的最后一个残差模块操作的卷积通道数与ResNet-34的最后一层的卷积通道数保持一致；

仿照U-Net模型的设计思路，利用上采样对图像进行插值，以还原图像分辨率；使用特征复制拼接操作将特征提取部分和上采样部分相同尺度的特征进行拼接融合；每次特征复制拼接后都依次进行3×3的卷积、批正则化和ReLu修正线性单元操作，重复两次；上采样部分的终层卷积使用Sigmoid目标分类函数；

最后使用非局部操作引入全局信息，并使用1×1的卷积层和上采样操作得到初步的立木分割图。

4.根据权利要求1所述基于改进ResNet-UNet网络的立木图像分割方法，其特征在于，所述步骤3的过程具体为：首先依据初步的立木分割图中前景为深色、背景为浅色的特性，依据前景和背景的色差，对该初步的立木分割图设定动态阈值，并为前景背景赋值，具体公式表示为：threshold＝(f_min-f_max)/α

式中，thresold--动态阈值，反映前景和背景像素值之间的差值；f_min--为前景概率最小的像素值，像素值次大；f_max--为前景概率最大的像素值，像素值最小；

然后依据动态阈值将图像分为前景和背景两类，大于动态阈值的像素为初始背景，将其作为惩罚值并赋值为-1；小于动态阈值的像素为初始前景，将其作为奖励值并赋值为1；

再依据改进后ResNet-UNet网络模型的训练精度设定惩奖权重，输入惩罚奖励机制，公式为：式中，y*为更新后的像素估计赋值；loss为训练的损失度；v为对应像素的惩罚值或奖励值；y为更新前的像素估计赋值，通过迭代得到，上一步的y*即下一步的初始像素估计赋值y；

然后依据对应像素的惩罚值或奖励值，将惩罚或奖励值与损失度权重对应相乘并相加，迭代y得到更新后的像素估计赋值y*；将y*与0作比较，大于0的像素代表前景，小于0的像素代表背景，并对立木图像做二值化分割；

最后使用腐蚀膨胀、开闭运算填充二值立木分割图的孤立团块，并平滑目标立木的分割边界，得到高质量的立木分割图。