1.一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，包括以下步骤：

1)输入扫描电镜图像f，利用RCF网络输出对应的梯度图像grcf；

2)利用结构边缘算法获得扫描电镜图像f对应的梯度图像g；

3)利用鲁棒分水岭变换对梯度图像g进行预分割，得到预分割结果f0；

所述步骤3)中预分割包括：

3.1)通过 对梯度图像g进行梯度重建；

其中， 表示由梯度图像g重建预分割结果f0的组合形态学闭运算，Rφ

表示形态学重建，R 表示形态学闭运算，ε表示形态学腐蚀运算，δ表示形态学膨胀运算；

+

表示由梯度图像g重建预分割结果f0的形态学膨胀运算，h∈N ，且满足表示由梯度图像g重建预分割结果f0的形态学腐蚀运+

算，h∈N ，且满足 m表示最大结构元素的尺度，多尺度结构元素满足关系

3.2)若重建结果包含多个小区域，则通过 对步骤3.1)中重建结果的多r

个小区域进行合并，其中，I表示合并小区域后的图像；I表示合并小区域前的图像；k是结构元素参数；bk表示合并的结构元素尺度；

4)利用基于形态学的轮廓优化方法对预分割结果f0进行优化，得到优化后结果f1；

5)利用分水岭变换对梯度图像grcf进行分割，得到结果frcf，根据结果frcf对优化后结果f1进行优化，得到最终结果f2；

6)根据最终结果f2，统计晶粒面积分布，并计算晶粒尺寸。

2.根据权利要求1所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述步骤2)中设定图像灰度方差阈值η，计算图像灰度值方差var，若图像灰度值方差var小于等于图像灰度方差阈值η，则利用结构边缘算法输出对应的梯度图像g；若图像灰度值方差var大于图像灰度方差阈值η，则先对扫描电镜图像f进行预处理使图像灰度值均匀化，再利用结构边缘算法输出对应的梯度图像g。

3.根据权利要求2所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其3

特征在于，所述图像灰度方差阈值η＝1.5×10。

4.根据权利要求2所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述步骤2)中预处理采用多尺度Retinex算法，模型为：Rn(x,y)＝logIn(x,y)‑log[Fn(x,y)*In(x,y)]其中，RMSR是多尺度Retinex算法输出的反射图像；N＝3，n取1、2、3，分别表示低、中、高三个尺度；wn表示权重系数，w1＝w2＝w3＝1/3；Rn(x,y)表示多尺度的反射图像，In(x,y)表示实验图像，其中，x表示横坐标，y表示纵坐标；Fn(x,y)是高斯环绕函数，其中，K的取值满足∫∫Fn(x,y)dxdy＝1；cn表示高斯环绕空间常数，其中，c1＝15，c2＝80，c3＝200。

5.根据权利要求1所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述步骤4)中基于形态学的轮廓优化方法包括：

4.1)对预分割结果f0的图像中的每个区域进行标签化，确保图像中每个标签只能覆盖一个区域；

4.2)对每个标签区域执行形态学开运算，从预分割结果f0的图像中减去开运算结果：其中，bl表示第l个标签区域，l＝1,...,L；fm表示预分割结果f0的图像中去掉开运算部分；

4.3)将fm重新分配给相邻区域，使重新分配后的每个区域的标签不同，并重新标号，得到优化后结果f1。

6.根据权利要求1所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述步骤5)中利用RCF网络损失函数对优化后结果f1进行优化，RCF网络损失函数为：其中，θ表示在结构中学习到的所有参数； 表示来自k层的激活值； 表示来自融合层的激活值；|I|表示图像I中的像素数；K表示层数。

7.根据权利要求1所述的一种基于数据与模型联合驱动的陶瓷材料晶粒分割算法，其特征在于，所述步骤6)中将晶粒近似为圆计算晶粒尺寸。