1.血管类型信息协助下的超广角眼底图像血管分割方法，其特征在于包括以下步骤：步骤1：提取血管感兴趣区域；

步骤2：将超广角眼底图像进行图像增广与图像对比度增强处理，并进行图像分块；

步骤3：将血管划分为粗血管与细血管，用于血管分割；

步骤4：使用两个U-Net模型分别进行粗血管分割与细血管分割，最后融合两个U-Net模型的分割结果，得到完整的超广角眼底血管分割图像；

所述步骤3包括以下步骤：

S3.1：首先从超广角眼底血管标签中提取血管骨架，并在滑动窗口内计算血管骨架与原血管面积比值，将其作为衡量血管粗细的指标；

S3.2：然后使用阈值将血管骨架分类为粗血管骨架与细血管骨架两类；

S3.3：接着在比较其他血管骨架像素的8邻域内粗细血管像素的大小，若粗血管像素数量大于细血管，则该血管像素为粗血管像素；反之则为细血管像素，这样迭代多次；

S3.3：最后，针对粗细血管交叉断裂区域的粗细血管斑块问题，使用形态学方法，将粗血管中连通域小于50的部分归为细血管，将细血管中连通域小于50的部分归为粗血管，这样迭代5次，得到最终粗细血管分类结果；

所述步骤4中，在模型的训练过程中，90%的图块用于模型的学习血管特征，10%的数据用于验证模型的参数；将48×48大小的图像块直接输入到粗血管分割模型中，96×96大小的图像块输入到细血管分割模型中，分别得到粗血管概率图像与细血管概率图像；然后，模型使用交叉熵损失函数计算预测结果与血管标签之间的误差，然后使用随机梯度下降的方式来最小化代价，然后反向传播更新权重和偏置；

对于粗血管分割模型，提高损失函数中粗血管像素的权重；对于细血管分割模型，训练时的图块增大到96×96，并使用dilation rate为1的空洞卷积，同时提高损失函数中细血管像素的权重。

2.根据权利要求1所述血管类型信息协助下的超广角眼底图像血管分割方法，其特征在于：所述步骤1包括以下步骤：S1.1：首先在超广角眼底图像数据集中以视盘为中心，标注一个区域作为标注框，得到训练集；

S1.2：然后训练目标检测网络YOLOv4，实现视盘区域的定位；

S1.3：基于获取的视盘区域的定位信息，以视盘为中心提取了圆形区域，组合成感兴趣区域。

3.根据权利要求1所述血管类型信息协助下的超广角眼底图像血管分割方法，其特征在于：所述步骤2包括以下步骤：S2.1：选择超广角眼底图像的绿色通道图像，进行CLAHE处理，凸显血管，削弱噪声；

S2.2：通过图像分块增加模型训练所需的数据量，其中，用于训练分割粗血管的U-Net模型的图像块大小设为48×48，用于训练分割细血管的U-Net模型的图像块大小设为96×96。

4.根据权利要求1所述血管类型信息协助下的超广角眼底图像血管分割方法，其特征在于：所述步骤4中，粗血管分割与细血管分割之前，采用模型迁移的方法，先使用传统眼底图像对粗血管分割模型与细血管分割模型进行预训练，然后将模型迁移至超广角眼底图像域，微调模型参数并学习血管特征。