1.一种基于生成对抗网络的宫颈单细胞图像数据生成方法，其特征在于，包括以下步骤：S1、准备包含正常细胞图像和异常细胞图像的宫颈单细胞数据集，并对宫颈单细胞数据集进行预处理；

S2、模型设计：以传统的生成对抗网络为基础，在生成对抗网络模型过程中使用约束条件生成指定类别的宫颈单细胞图像；所述生成对抗网络模型的训练包括以下步骤：S21、获取训练数据，根据数据类别将每一类数据按0‑6设置标签信息label，每一个数字代表一个类别，依次为：0:异常‑中度鳞状上皮细胞；1:异常‑原位鳞状细胞癌；2:异常‑轻度鳞状上皮细胞；3:异常‑重度鳞状上皮细胞；4:正常‑上皮鳞状细胞；5:正常‑柱状细胞；6:正常‑鳞状细胞；最后进行one‑hot编码；

S22、自动生成100维的随机高斯噪声Z；

S23、将随机高斯噪声Z和标签信息label作为生成器G的输入，生成样本fake_img；

S24、设置对抗性判别值0和1：0代表假，1代表真；

对于判别器D的训练，向模型输入生成样本的判别结果为0，输入真实样本的判别结果为1；对于生成器G的训练，目标是希望判别器D对于生成样本的判别结果为1；

计算生成器和判别器的损失值，并最终生成逼真的样本；

S25、将生成样本fake_img和标签信息label作为判别器D的输入，得到假样本的判别损失 将真实样本real_img和标签信息label作为判别器D的输入，得到真实样本的判别损失 在真实样本和生成样本间随机取样，然后将这个随机取样值输入判别器D，得到梯度损失gp_loss；

S26、由S25得到的判别损失求和得到总的判别损失Dloss：S27、将生成样本fake_img和真实样本real_img作为判别器D的输入，得到生成损失Gloss；

S28、根据判别损失和生成损失计算梯度，并通过反向传播算法优化生成器G和判别器D：S29、重复步骤S23～S28，直到训练达到最大迭代次数，或者总的判别损失Dloss不再下降并且生成损失Gloss不再上升。

2.根据权利要求1所述的基于生成对抗网络的宫颈单细胞图像数据生成方法，其特征在于，所述步骤S1包括以下子步骤：S11、数据大小裁剪：使用三阶线性插值算法对每张图像进行裁剪，经过裁剪后的图像统一大小为72*72的灰度图像；

S12、图像灰度化处理：将每张图像进行灰度处理，具体的转换公式为：g(x,y)＝0.3*R(x,y)+0.59*G(x,y)+0.11*B(x,y)g(x,y)表示转换后的图像输出，R(x,y)、G(x,y)、B(x,y)分别代表原始图像各个像素点的通道值；

S13、归一化处理：将灰度化处理后的图像的像素归一化到(‑1，1)；

S14、数据制作：将归一化处理后的细胞图像全部转换为一个.npy文件；在转换的过程中，按照train data:test data＝5:1的比例划分数据；并且对每一张图像的类别进行标注，其中0表示异常细胞，1表示正常细胞。

3.根据权利要求1所述的基于生成对抗网络的宫颈单细胞图像数据生成方法，其特征在于，所述生成对抗网络模型由生成器G和判别器D组成；生成器G以随机高斯噪声Z和样本标签label作为输入，并且生成图像；判别器D输入由三部分组成：生成器G的生成图像、真实图像和样本标签label；生成对抗网络模型的输出是输入样本来自真实图片的概率；

损失函数由最小二乘损失lossmse和梯度损失gp_loss组成：表示判别器对输入样本i来自真实样本的预测值，yi表示判别器做出的预测值，n表示样本数量；D表示判别器，是来自真实样本和生成样本间的随机取样值。

4.根据权利要求3所述的基于生成对抗网络的宫颈单细胞图像数据生成方法，其特征在于，所述生成器G使用残差网络构建；生成器G包含1层全连接层和20层卷积层，在每一层中使用ReLU作为激活函数，并进行批归一化处理。

5.根据权利要求4所述的基于生成对抗网络的宫颈单细胞图像数据生成方法，其特征在于，所述残差网络满足如下公式：xl+1＝relu(xl+F(relu(xl)))

xl是上一层残差块的输入，F(relu(xl))是xl经过第一层线性变化并激活后的输出。

6.根据权利要求3所述的基于生成对抗网络的宫颈单细胞图像数据生成方法，其特征在于，所述判别器D包括4层卷积层；每一层之间使用LeakyReLU作为激活函数。