1.与深度学习方法相结合的多焦图像中目标分割方法，其特征在于：该方法包括如下步骤，步骤1：图像配准；随机选取图像组中的一张图片为基准，图像组中的其他图像对照基准图像进行特征选取、特征匹配、图像变换操作，最终实现图像组中所有图像的特征一致；步骤2：基于颜色、轮廓特征的粗分割；通过步骤1将图像组中的图像特征调整一致后，以需求目标与无关背景、无关目标之间的颜色差异与需求目标的特有轮廓为出发点，寻找前后景之间的分界边；从而对现有图像进行粗分割获取含有类寻求目标的局部图像；步骤3：目标定位；根据步骤2粗分割后形成的目标轮廓边缘计算目标边缘点的中心距进而求出中心点的坐标，再将目标的中心坐标形成标签与目标图像关联；步骤4：目标图像清晰度评价；将之前经过步骤1、2、3处理过的具有定位信息的粗分割目标输入模型以评价图像清晰度；步骤5：目标图像需求性预测；将之前经过步骤1、2、3处理过的具有定位信息的粗分割目标输入模型以评价图像需求度；此步骤与步骤4为并行步骤；步骤6：目标图像分割价值综合判定；根据步骤4得出的图像清晰度分数与步骤5得出的图像的需求置信度求解图像的分割价值判定；步骤7：根据目标图像的定位信息筛选高分割价值目标图像群中的非重复目标图像；获取目标图像关联的定位标签，与其他目标的定位标签进行比较，划分具有相同定位的图像组，再根据图像在步骤6中得出的分割价值系数设置阈值筛选出高分割价值目标图像群中的非重复目标图像；步骤8：细分割高价值目标图像；采用语义分割模型对步骤7得到的目标图像进行轮廓细分割；步骤8.1训练基于轮廓的语义分割模型；对训练集的目标轮廓进行像素级绘制，用以训练基于轮廓的语义分割模型；步骤8.2绘制目标精细轮廓；将目标图像输入训练好的语义分割模型绘制目标精细轮廓；步骤9：获得多焦图像中的非重复清晰需求目标；将计算的具有高分割价值的非重复图像放入步骤8.1训练的模型进行语义细分割得到轮廓掩模图，再对比掩模图与源图像以分离出多焦图像中的非重复清晰需求目标。2.根据权利要求1所述的与深度学习方法相结合的多焦图像中目标分割方法，其特征在于：步骤2的实施过程如下，步骤2.1寻找前后景颜色差异像素点；将图像转换为灰度图后再基于图像的灰度特征来x和y方向上的梯度算子，之后使用一阶有限差分计算梯度，与梯度算子相乘差分计算幅值和方向，从而确定目标边缘轮廓；

步骤2.2目标轮廓特征检测与判断；利用图像全局特征将边缘像素连接起来组成区域封闭边界，将图像空间转换到参数空间，在参数空间对点进行描述，达到检测图像边缘的目的；把所有可能落在边缘上的点进行统计计算，根据对数据的统计结果确定目标轮廓特征是否符合标准特征。3.根据权利要求1所述的与深度学习方法相结合的多焦图像中目标分割方法，其特征在于：步骤4的实施过程如下，步骤4.1训练多参数融合的清晰度评价回归模型；计算训练集在各个参数指标上的得分，之后对训练集进行二分类标注，再训练多参数融合的清晰度评价回归模型；步骤4.2获取目标图像的清晰度分数；将目标图像输入已训练好的模型计算目标图像的清晰度分数。4.根据权利要求1所述的与深度学习方法相结合的多焦图像中目标分割方法，其特征在于：步骤5的实施过程如下，步骤5.1训练基于纹理特征需求目标识别的二分类深度学习模型；选取适当规模的只包含需求目标图像和轮廓颜色与需求目标类似但纹理特征不同的目标图像制作数据集并关联标签，用以训练基于纹理特征需求目标识别的二分类深度学习模型；步骤5.2获取目标图像的需求置信度；将目标图像输入训练好的模型获取目标的需求置信度。5.根据权利要求1所述的与深度学习方法相结合的多焦图像中目标分割方法，其特征在于：步骤6的实施过程如下，步骤6.1根据清晰度分数及需求置信度计算分割价值系数；步骤6.2划分高分割价值目标图像群；根据后续所需要的数据规模设置阈值，划分高分割价值目标图像群。