1.一种荧光显微图像超分辨率成像方法，其特征在于通过引入SOFI荧光显微成像算法，来得到细节更加清晰的显微图像；然后引入基于深度学习的超分辨率神经网络FSRCNN对显微图像再次进行超分辨率处理，得到细节清晰的图像；具体包括如下步骤：步骤1：整理图像数据集，包含各种各样的荧光显微图像，并将数据集按要求划分出训练集、测试集和验证集；

步骤2：输入训练集、测试集用基于深度学习的超分辨率神经网络训练出所需要参数的模型；

步骤3：用荧光显微镜发射特定波长紫外线，照射室用量子点变过的样本上，并使用CCD对样本成像，得到一系列的图像序列；

步骤4：使用SOFI算法，基于记录时间序列的图像，对荧光波动进行统计分析，通过计算整个时间序列内所有帧的各水平方向的累积量，得到荧光显微图像；

步骤5：使用FSRCNN读取模型中的参数，对步骤4所得的荧光显微图像进行超分辨率处理，得到高质量图像。

2.根据权利要求1所述的一种荧光显微图像超分辨率成像方法，其特征在于步骤5所述的使用FSRCNN读取模型中的参数，具体实现如下：

1.设置步长k对荧光显微图像进行下采样，其中1

2.使用5×5的卷积核对输入的低分辨率图像进行特征提取，得到低分辨率图像特征图；

3.在特征映射的过程中，将低分辨率图像特征图映射到高分辨率图像特征图中，使用1×1的卷积核对低分辨率特征图进行降维处理；使用多层卷积核为3×3的卷积操作，将特征映射到高分辨率图像特征图；在映射过后需要使用1×1的卷积核将高分辨率图像特征图升维，视为降维处理的反操作；

4.同样设置步长为k，使用9×9的卷积核对高分辨率图像特征图进行转置卷积操作，该操作看作卷积的逆过程，将高分辨率图像特征图重建的同时进行上采样操作，得到需要的高质量图像。

3.根据权利要求2所述的一种荧光显微图像超分辨率成像方法，其特征在于步骤2具体实现如下：在训练模型过程中，需要分辨输入训练集和测试集，神经网络读取训练集中学习权重和偏好的参数；测试集则是对读取的参数进行测试，具体操作是对输入的测试集使用读取的参数进行图像重建，并使用正则项计算测试集中测试图像的输入和输出之间的损失，损失函数为：通过迭代计算，发现损失函数值减小为一个极小的数值，说明低分辨率图像经过FSRCNN的处理后，已经和输入的原始图像相差无几，参数模型可靠；

最后使用验证集图像验证训练出来的参数模型，若参数模型在验证集上同样有效，则说此参数模型适用于荧光显微图像的超分辨率处理；若参数模型在验证集上无法获得预期效果，则需对训练集和测试集进行类别补充以及调整训练参数，重新训练得到合适的参数模型。