1.一种分割细胞板图像中试管孔的方法，其特征在于，步骤如下：S1、对待分割的细胞板灰度图像分别利用不同大小的内核矩阵进行图像膨胀，获得第一膨胀后图像和第二膨胀后图像；

S2、分别对第一膨胀后图像和第二膨胀后图像进行二值化处理，得到第一二值化图像和第二二值化图像；

S3、将第一二值化图像和第二二值化图像进行交运算，得到交运算结果图像；

S4、对交运算结果图像进行开运算以去除图像白噪声，得到去噪图像；

S5、使用按边界跟随的拓扑结构分析方法提取去噪图像中的轮廓，获得去噪图像中的轮廓集合；

S6、针对轮廓集合中的每一个轮廓，获取其最小包围圆的圆心和半径，从而形成最小包围圆集合；

S7、对最小包围圆集合中的所有最小包围圆按照半径进行排序，从排序序列中选择一组半径偏差不超过设定阈值的连续最小包围圆作为试管外轮廓的代表，并求得这一组连续最小包围圆的平均半径R1；以该平均半径R1为中心值设置符合试管半径偏差量的半径筛选范围，从最小包围圆集合中筛选出半径位于该范围内的待选最小包围圆；

S8、针对所有待选最小包围圆计算其平均半径R2，然后两两判断待选最小包围圆之间是否存在交集，若存在则保留两者之中半径最接近平均半径R2的一个圆同时删除另外一个圆，输出所有相互之间不存在交集的待选最小包围圆作为试管外轮廓；

S9、利用输出的所有试管外轮廓对细胞板灰度图像进行分割，得到位于每个试管外轮廓内的试管孔区域。

2.如权利要求1所述的分割细胞板图像中试管孔的方法，其特征在于，所述S1～S7均基于开源软件库Opencv实现。

3.如权利要求2所述的分割细胞板图像中试管孔的方法，其特征在于，所述S1中，在Opencv内，利用dilate()函数分别以(3,3)和(8,8)为内核矩阵对待分割的细胞板灰度图像进行图像膨胀，分别获得第一膨胀后图像和第二膨胀后图像。

4.如权利要求2所述的分割细胞板图像中试管孔的方法，其特征在于，所述S2中，利用threshold()函数以240为阈值对第一膨胀后图像和第二膨胀后图像进行反二进制阈值化处理。

5.如权利要求2所述的分割细胞板图像中试管孔的方法，其特征在于，所述S3中，以bitwise_and()函数对第一二值化图像和第二二值化图像进行交运算。

6.如权利要求2所述的分割细胞板图像中试管孔的方法，其特征在于，所述S4中，以morphologyEx()函数对交运算结果图像进行开运算，以去除图像白噪声。

7.如权利要求2所述的分割细胞板图像中试管孔的方法，其特征在于，所述S5中，使用按边界跟随的拓扑结构分析方法提取去噪图像中的轮廓的调用方式如下：vector>contours；

findContours(srcImgGray,contours,RETR_LIST,CHAIN_APPROX_SIMPLE)；

其中srcImgGray为去噪图像，contours为去噪图像中的轮廓集合，RETR_LIST表示在不建立任何层次关系的情况下检索所有轮廓，CHAIN_APPROX_SIMPLE表示压缩水平、垂直和对角线段，仅保留其端点。

8.如权利要求2所述的分割细胞板图像中试管孔的方法，其特征在于，所述S6中，以minEnclosingCircle()函数对轮廓集合中的每一个轮廓获取其最小包围圆的圆心和半径。

9.如权利要求1所述的分割细胞板图像中试管孔的方法，其特征在于，所述S7中，从排序序列中选择一组连续最小包围圆作为试管外轮廓的代表时，采用的设定阈值为10％，即选择的连续最小包围圆中最大半径和最小半径的偏差不超过10％；所述半径筛选范围为[0.8R1,1.2R1]。

10.如权利要求1所述的分割细胞板图像中试管孔的方法，其特征在于，述S8中，通过计算两个待选最小包围圆的圆心距离是否小于其半径之和来判断两者是否存在交集。