1.一种相差显微镜细胞图像的检测和分割方法，其特征在于：所述方法包括以下步骤：

1)基于对相差显微镜细胞图像特性的分析，构建图像中的层次信息之后，定义细胞图像中的主要信息，并通过辅助工具对细胞序列的第一帧标记主要信息，并得到针对所有细胞的主要信息集合，同时数值标号及颜色标记所有细胞的主要信息；

2)传播前一帧的主要信息，检测当前帧中的主要信息，并提供是否存在目标主要信息粘连情况；

3)如若当前帧中存在主要信息粘连情况，利用主要信息粘连分离算法对粘连细胞的主要信息进行分离，并且将分离后的局部区域块合并到细胞主要信息集合中去；

4)帧间主要信息传播时存在主要信息衰减问题，通过细胞主要信息修复策略修复当前帧细胞的主要信息；

5)基于提取和检测到的主要信息，通过两种区域近似估计策略，得到细胞分割和检测结果；

所述步骤1)中，假设一张相差显微镜细胞图像中存在灰度级别在0到L之间的N个像素，处于灰度级别i的像素个数标记为ni，那么灰度级i的像素在此图片中的概率为pi＝ni/N；假设图像中存在有C‑1个阈值，记为{t1,t2,…,tC‑1}，其确定了C个灰度层次或者灰度集合，如此，集合1由灰度范围为[0,…,t1]的像素确定，集合1标记为G1，类似地，集合i由灰度范围为(ti‑1,…,ti]的像素确定，集合i标记为Gi，最后一个集合由灰度范围为(tC‑1,…,L]的像素确定，最后一个集合标记为GC；假设μT是此幅图像的灰度均值，为了获得针对所有细胞的深暗区域信息，即主要信息，采用多阈值最大类间算法，其定义为：其中，

0≤t1<…

那么，此时的G1便定义为当前帧中的主要信息；

所述步骤3)中，针对具有帧间关联信息的两个细胞主要信息粘连情况，一个细胞的主要信息记为集合H1、另一个细胞的主要信息记为集合H2以及目标分离块的主要信息记为集合H3，总的集合记为H＝{H1,H2,H3}；对于每一个集合，存在 且mi≥0；在经过PairSplit算法和GraphCrawl算法的处理之后，集合中的局部块的数目会有变化，最后m3将变为0，即H3集合中的主要信息块被完全分到了集合H1和集合H2中；

在GraphCrawl算法流程中，将H中所有局部块的中心点定义为点集V＝{V1,V2,V3}，且通过这些点集构建出的德劳内三角图，能够反映这些独立块之间的内在结构关系，GraphCrawl算法中剔除了集合V1与集合V2之间所有的边，得到简化德劳内三角图，用于简化分组局部块的过程；

所述步骤4)中，对于本地覆盖检测和光流覆盖检测不能将当前帧的主要信息全部检测出来，导致检测结果仅是标准检测结果的一个子集；在整幅图像的所有主要信息局部块之间构建德劳内三角图，并不断地通过距离阈值dt，将邻近的局部块分组到当前细胞主要信息集合中去；

对于失焦而模糊的细胞图像，多阈值最大类间距离算法的参数C无法有效地获得当前帧的主要信息，此时增加C的值，使得原始图像可以获得更为细化的分层结果；

对于本身主要信息的自身衰减，针对某一序列的标准参数C可以适用于大部分的图像，但是某些细胞的主要信息可能处于其他层次信息，通过增加相邻层的信息可以修复细胞的主要信息。

2.如权利要求1所述的相差显微镜细胞图像的检测和分割方法，其特征在于：所述步骤

2)中，主要信息帧间传播时，基于前一帧图像的主要信息，将其映射到当前帧，并检测当前帧中的主要信息；此时，一方面假设前一帧图像的主要信息不存在漂移，即位置没有偏移，称为本地覆盖检测，另一方面假设前一帧图像的主要信息具有位置偏移，此时将采用光流算法估计纵向和横向偏移量，称为光流覆盖检测；在覆盖检测时，只要前一帧中的主要信息与当前帧的某一个局部主要信息块存在像素交集，则当前帧的此局部主要信息块的访问计数值加1，并且标号值加上前一帧中的主要信息所具有的细胞标号值。

3.如权利要求1或2所述的相差显微镜细胞图像的检测和分割方法，其特征在于：所述步骤5)中，基于主要信息构建凸区域，构建的结果作为目标分割结果；或者基于主要信息构建矩形框区域，构建的结果用于模拟目标方框检测结果。