1.一种基于并行残差网络的低分辨率细胞超分辨率重建方法，其特征在于包括如下步骤：步骤S1：通过对包含多个细胞的高分辨率图像进行自适应阈值分割来获取数据集，该数据集包含一系列分割后的大小为H*W的单细胞图像，作为超分辨率重建的原图；

步骤S2：数据集的增强与预处理：数据集的增强采用的是旋转增加数据集数量的方法，预处理是将分割后的原图通过降采样得到低分辨率图像，低分辨率图像的大小为(H/N)*(W/N)，N为放大倍数，取3、4或5；

步骤S3：数据集输入前的分块操作，将训练集的数据与原图分别分割成每块为(H1/N)*(W1/N)和H1*W1，其中H1

步骤S4：图像中特征值的提取，采用12层残差网络以及并行卷积网络；

步骤S5：高分辨率图像的重建，通过亚像素卷积层将低分辨率图像转化为高分辨率图像；

步骤S4中对图像中特征值的提取，具体包括：

5.1先通过12层残差块串联网络进行特征值的提取，所采用的是基本的残差块；基本残差块由两层卷积层串联组成，在输入与输出之间有一条跳跃线连接；

5.2通过残差网络后，经过一层卷积融合后，再通过并联卷积层再次提取特征值，所用的并行卷积层是由一层卷积操作和两层串联卷积操作形成的，其中的卷积都是1*1的卷积；

5.3残差块串联网络采用了滤波器数量增加的方法；滤波器的数量从最小值8开始，最后增加到196个，以1.5倍的速度增加；在并联网络中使用的滤波器的数量为64个；

5.4在迭代中获取权重值和偏差值时采用随机梯度下降算法，并在其中加入adma的优化方法，公式为 其中其中，t为迭代的次数，θt表示在t次时模型中

特征值，mt表示梯度均值， 表示对mt的纠正，m0＝0，Vt表示梯度平方的指数移动平均数，表示对Vt的纠正，V0＝0；gt为迭代次数的梯度值，α表示默认学习率；设置参数β1＝0.9，β2＝‑8

0.999，ε＝10 ；

5.5在训练损失函数时采用学习率衰退的方法；训练中使用的初始学习率是0.001，每隔9个epoch将学习下降到初始学习率的0.5倍，每个epoch中训练24000个数据；直到学习率‑5衰减到10 时结束训练，学习率中加入了最小平方误差。

2.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法，其特征在于，步骤S1中对整张细胞图像进行分割，具体包括：自适应阈值方法得到二值化图像，再对其进行开运算和闭运算，根据处理后的二值化图像找出每个细胞所对应的的坐标值，最后根据所得到的坐标值对原图像中的细胞进行分割提取，所得细胞图像分辨率为H*W，对在边界的和多个重叠的细胞图像进行剔除。

3.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法，其特征在于，步骤S2中对数据集做增强和预处理操作，具体包括：

3.1通过双三次插值方法对分割后的原图降采样成低分辨率的图像，大小为(H/N)*(W/N)；

3.2图像增强采用旋转变换；为了使旋转出来的图片没有黑边影响训练，旋转的角度采用90度的倍数，即90度,180度和270度。

4.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法，其特征在于，步骤S3中对数据集输入前的分块操作，具体包括：对低分辨率细胞图像和高分辨率细胞图像分别进行分块操作；将低分辨率细胞图像和高分辨率细胞图像分别分割成每块(H1/N)*(W1/N)和H1*W1，其中H1

5.根据权利要求1所述的一种基于并行残差网络的低分辨率细胞超分辨率重建方法，其特征在于，步骤S5中高分辨率图像的重建是通过亚像素卷积层将高维低分辨率图像经过排列组合成低维高分辨率的图像。