1.一种基于UNet++和ResNet的血液白细胞图像分割方法，其特征在于，包括：特征编码阶段：采用带有卷积块和残差块的上下文感知特征编码器来提取多尺度特征图，即图像浅层特征；

特征解码阶段：采用带卷积和反卷积的特征解码器来调整多尺度特征图的大小，即图像深层特征，以实现端到端的白细胞分割。

2.根据权利要求1所述的一种基于UNet++和ResNet的血液白细胞图像分割方法，其特征在于，所述特征解码阶段还通过采用经过稠密卷积块的混合跳跃连接的特征融合结构，来融合图像浅层特征和图像深层特征，减少图像浅层特征和图像深层特征之间的语义鸿沟。

3.根据权利要求1所述的一种基于UNet++和ResNet的血液白细胞图像分割方法，其特征在于，所述特征编码阶段通过将ResNet34嵌入到特征编码器的多个子网络中，使得卷积块与残差块组合在一起，其中，每个残差块包含两个3×3卷积块。

4.根据权利要求1所述的一种基于UNet++和ResNet的血液白细胞图像分割方法，其特征在于，所述特征解码阶段采用带卷积和反卷积组成的特征解码器来重构白细胞的分割掩码，通过像素级的分类实现白细胞的分割。

5.根据权利要求2所述的一种基于UNet++和ResNet的血液白细胞图像分割方法，其特征在于，该方法采用基于交叉熵和Tversky指数的混合损失函数来指导网络训练；所述混合损失函数由度量像素类别预测准确性的损失函数LBCE、解决样本不均衡的损失函数LTversky之和组成，具体定义为：L＝LBCE+LTversky

LBCE采用两类交叉熵损失函数，其定义为：

其中，N代表一幅图像的像素点总数，c代表目标类别即白细胞区域类别，pic表示像素i被预测为目标类别c的概率值；gic表示手动理想分割结果中像素i属于目标类别c的标签值，即gic＝1和gic＝0分别表示像素点i属于目标和背景；LTversky的定义为：LTversky＝∑c(1-Tc)

其中，pic和gic分别表示像素点i属于目标类别c的预测值和真实标签值，pic和gic分别表示像素点i属于背景类别 的预测值和真实标签值；α和β是两个参数，用于平衡假阳性率和假阴性率；∈是为提供数值稳定性而设置的一个极小常数，以防止被零除；

在计算混合损失函数的时候，将所有子网络输出的混合损失函数值平均后作为整个网络的最终输出。