1.一种图像分割的方法，其特征在于，包括：对获取的图像数据进行预处理得到图像样本数据集；

根据所述图像样本数据集标定对应的成对约束集；

利用所述成对约束集训练预设图像分割模型；

依据预设规则对所述图像样本数据集中的各对样本像素点赋予权重，得到权重系数矩阵；

根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵，并根据所述交叉熵确定最优图像分割模型；

利用所述最优图像分割模型对所述图像样本数据集进行处理，得到图像分割结果。

2.根据权利要求1所述的方法，其特征在于，根据所述图像样本数据集标定对应的成对约束集，包括：确定所述图像样本数据集中图像样本像素点的类簇；

在所述图像样本数据集中的图片上选取多组样本对；其中，所述样本对为一对在所述图片上随机选择的两个样本像素点；

依次对所述各组样本对进行标定，进而得到所述成对约束集；

其中，所述样本对的标定过程包括：

若所述样本对中的两个样本像素点颜色相同，则标定为同一类簇；

若所述样本对中的两个样本像素点颜色不同，则标定为不同类簇。

3.根据权利要求2所述的方法，其特征在于，所述依据预设规则对所述图像样本数据集中的各对样本像素点赋予权重，得到权重系数矩阵，包括：对所述同一类簇的样本对赋予第一交叉熵权重；

对所述不同类簇的样本对赋予第二交叉熵权重；

对所述两个样本像素点相同的样本对赋予信息熵权重；

对不属于所述样本对的样本像素点赋予权重0。

4.根据权利要求1所述的方法，其特征在于，利用所述成对约束集训练预设图像分割模型，包括：利用FCM学习算法学习所述成对约束集中各所述类簇的中心；

根据各所述类簇的中心利用学习算法函数调整所述预设图像分割模型中核函数的核参数及核权重。

5.根据权利要求1所述的方法，其特征在于，根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵，并根据所述交叉熵确定最优图像分割模型，包括：根据公式 计算所述预设图像分

割模型的隶属度；

确定所述交叉熵最小时的预设图像分割模型作为所述最优图像分割模型；

其中，JPC_MKCCE为所述预设图像分割模型的目标函数，xj为样本像素点，c为样本像素点的总数，vi为第i个类簇的中心，n为类簇的总数，m为模糊系数，uij表示样本xj属于vi类簇的隶属度，K(xj,vi)为高斯混合核函数，Γjk表示一对样本像素点xj和xk组合的权重，H(xj,xk)为样本像素点xj对样本像素点xk的样本交叉熵。

6.一种图像分割的系统，其特征在于，包括：获取模块，用于对获取的图像数据进行预处理得到图像样本数据集；

标定模块，用于根据所述图像样本数据集标定对应的成对约束集；

训练模块，用于利用所述成对约束集训练预设图像分割模型；

权重赋值模块，用于依据预设规则对所述图像样本数据集中的各对样本像素点赋予权重，得到权重系数矩阵；

计算模块，用于根据所述权重系数矩阵计算所述预设图像分割模型的交叉熵，并根据所述交叉熵确定最优图像分割模型；

图像分割模块，用于利用所述最优图像分割模型对所述图像样本数据集进行处理，得到图像分割结果。

7.根据权利要求6所述的系统，其特征在于，所述标定模块包括：第一确定子模块，用于确定所述图像样本数据集中图像样本像素点的类簇；

选取子模块，用于在所述图像样本数据集中的图片上选取多组样本对；其中，所述样本对为一对在所述图片上随机选择的两个样本像素点；

标定子模块，用于依次对所述各组样本对进行标定，进而得到所述成对约束集；

其中，所述样本对的标定过程包括：

若所述样本对中的两个样本像素点颜色相同，则标定为同一类簇；

若所述样本对中的两个样本像素点颜色不同，则标定为不同类簇。

8.根据权利要求6所述的系统，其特征在于，所述训练模型包括：学习子模块，用于利用FCM学习算法学习所述成对约束集中各所述类簇的中心；

调整子模块，用于根据各所述类簇的中心利用学习算法函数调整所述预设图像分割模型中核函数的核参数及核权重。

9.一种图像分割设备，其特征在于，包括：存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如权利要求1至5任一项所述图像分割的方法的步骤。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述图像分割的方法的步骤。