1.一种基于贝叶斯深度学习的超参数图像分割方法，其特征在于，包括：步骤1：数据预处理，将图像中的数据元素正则化处理，生成图像分割类数据集；

步骤2：对图像利用高斯掩码提取目标边缘特征；

步骤3：利用贝叶斯估计，通过所述目标边缘特征提取图像的边界框和目标掩膜；

步骤4：将边界框及目标掩膜放入特征字典中进行对比，即可获得图像中各目标的类别；

在步骤2中，提取目标边缘特征的具体步骤为：

第一步：设图像像素f(x,y)边缘概率满足高斯分布，则其二维高斯函数为：第二步：对上述图像的x,y方向求梯度函数：

第三步：对图像数据集进行卷积：

第四步：计算图像目标边缘概率密度分布，即目标边缘特征：在步骤3获取目标的类别标签前，需要计算目标出现的先验概率：其中，Ci为C类目标集(C1、C2、C3...Cn)中的任一元素，Ni代表目标出现的次数，N代表目标集的总量，在步骤3获取目标的类别标签过程中，计算目标出现的条件概率：其中，xa代表目标点横坐标，ya代表目标点纵坐标坐标，P(xa)、P(ya)代表目标边缘特征概率，在步骤3中，提取图像的边界框和目标掩膜的具体步骤为：(1)通过学习提取到的目标边界特征，得到图像的目标区域以及区域中每个像素的分类权重；

(2)得到图像的目标区域以后，将每个目标区域的内部和外部特征图组合成两张完整的特征图，然后同步进行图像分割和图像分类两个分支数据集D1，D2；

(3)在图像分割中，使用贝叶斯分类器对所述目标区域的内部和外部特征图进行分类，以区分图像中的前景和背景并生成掩膜；

(4)在图像分类中，在两类特征图中按像素概率分布取最大值，得到一张新的特征图，再使用最大似然估计分类器得到目标区内物体的类别；

在步骤4中，所述特征字典的构建方法如下：

(1)建立图像的训练集和测试集；

(2)对所述训练集中的每个图像进行上述步骤1‑3中的操作，获取其边界框和目标掩膜；

(3)汇集(2)中所述的边界框和目标掩膜，即可得到由其组成的特征字典；

(4)将测试集输入(3)中所述的特征字典，查看得到的特征字典的准确率，如果准确率不符合要求，则调整模型的参数重新训练，直至特征字典的准确率达到要求。

2.根据权利要求1所述的基于贝叶斯深度学习的超参数图像分割方法，其特征在于，在步骤1中，图像分割类数据集包含N个目标分割类属性和每个目标类的M个数据属性，当N个类属性概率与M个数据属性概率最大时，采用贝叶斯分类匹配器，选中目标并对图像进行分割。

3.根据权利要求1所述的基于贝叶斯深度学习的超参数图像分割方法，其特征在于，在步骤4中，将边界框及目标掩膜和所述特征字典进行对比的方法为：首先用L2正则算子计算边界框和目标掩膜各自和所述特征字典的相似度权重，然后所述相似度高斯过程，提取目标边缘特征数据集，经过贝叶斯分类匹配，即可得到语义分割结果。

4.根据权利要求3所述的基于贝叶斯深度学习的超参数图像分割方法，其特征在于，在语义分割结果输出之前，先计算边高斯超参数函数，然后根据分值大小，计算目标匹配度，超参数集越优，得到语义分割的精准度分值就越高。