1.基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：

S101：采集自然背景条件下的茶叶嫩芽原图像；

S102：构造显著目标预测模块，将所述茶叶嫩芽原图像输入至所述显著目标预测模块，得到茶叶嫩芽显著性图像；所述显著目标预测模块，包括编码器网络和解码器网络；所述编码器网络基于ResNet-50架构，包括6个阶段，每个阶段均由数量不等的瓶颈残差块组成；所述解码器网络与所述编码器网络对应，也包括6个阶段；

S103：对所述茶叶嫩芽显著性图像采用Grabcut的掩码图像方式进行自动分割，得到最终自动分割完毕的茶叶嫩芽图像。

2.如权利要求1所述的一种基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：所述编码器网络的输入层由64个大小为3×3，步长为1的卷积滤波器组成。

3.如权利要求1所述的一种基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：所述编码器网络不包括池化层。

4.如权利要求1所述的一种基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：所述编码器网络的第一阶段包括3个瓶颈残差块；所述编码器网络的第二阶段包括4个瓶颈残差块，且第一个瓶颈残差块增加了下采样操作；所述编码器网络的第三阶段包括6个瓶颈残差块，且第一个瓶颈残差块增加了下采样操作；所述编码器网络的第四阶段包括3个瓶颈残差块，且第一个瓶颈残差块增加了下采样操作；所述编码器网络的第五阶段和第六阶段与所述编码器网络第四阶段的结构相同。

5.如权利要求4所述的一种基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：所述瓶颈残差块的结构具体包括：512个1×1的卷积滤波器、512个3×3的卷积滤波器和2048个1×1的卷积滤波器。

6.如权利要求1所述的一种基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：所述解码器网络的每一个阶段有三块，且每一块均由1个3×3的卷积核、批处理规范化BN和Relu激活函数构成。

7.如权利要求6所述的一种基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：所述解码器网络的第二阶段、第三阶段、第四阶段和第五阶段的第一块均在Relu激活函数之后增加了上采样操作。

8.如权利要求7所述的一种基于显著性检测和Grabcut算法的茶叶嫩芽图像分割方法，其特征在于：所述解码器网络的每一个阶段的输入为其前一阶段的上采样输出和对应编码器阶段最后一个瓶颈残差块输出特征图共同组成的级联特征图。