1.一种基于Transformer与CNN的视盘和视杯分割方法，其特征在于，包括以下步骤：S1.获取待分割的图像数据；

S2.将所述图像数据输入到训练好的基于Transformer与CNN的视盘和视杯分割模型，其中，基于Transformer与CNN的视盘和视杯分割模型的骨干网络为TransUNet网络，所述TransUNet网络包括编码器CNN模块、编码器Transformer模块和解码器模块；

S3.根据所述图像数据以及基于Transformer与CNN的视盘和视杯分割模型，得到视盘和视杯分割结果；

所述基于Transformer与CNN的视盘和视杯分割模型的训练过程包括以下步骤：S2-1.获取视盘和视杯数据集；

S2-2.将所述视盘和视杯数据集中图像输入到编码器CNN模块，得到图像的局部特征图；

所述将所述视盘和视杯数据集中图片输入到编码器CNN模块，得到图像的局部特征图，具体包括：首先把编码器CNN模块接收到的原始特征图其中，

S2-3.将所述图像的局部特征图输入到编码器Transformer模块，得到编码特征表示；

S2-4.将编码特征表示输入到解码器模块，得到视盘和视杯分割结果；

所述解码器中采用多尺度通道交叉融合模块代替TransUNet网络中的传统跳跃连接，所述多尺度通道交叉融合模块中的操作具体包括：多尺度通道交叉融合模块把编码器和解码器输出的特征图按照通道分成四份，其中，编码器每层输出的特征图分别为m其中m表示解码器每一层的输出，F

2.根据权利要求1所述的基于Transformer与CNN的视盘和视杯分割方法，其特征在于，所述步骤S2-1中视盘和视杯数据集为三个公开的视盘与视杯数据集，分别是RIM-ONE-v3、REFUGE和DRISHTI-GS数据集。

3.根据权利要求1所述的基于Transformer与CNN的视盘和视杯分割方法，其特征在于，所述步骤S2-3具体包括：将所述图像的局部特征

4.根据权利要求1所述的基于Transformer与CNN的视盘和视杯分割方法，其特征在于，将所述步骤S2中的骨干网络TransUNet中的传统卷积全部改为所述层级卷积融合模块。