1.一种基于循环生成对抗网络的血液白细胞染色风格转换方法，其特征在于，包括：

引入无监督分割策略，获取语义指导信息，实现白细胞染色风格转换；所述引入无监督分割策略，获取语义指导信息过程的实现方式为：首先，定义一个分割网络G，对于给定一张图像x，生成分割网络预测图的过程表示为：Prediction＝argmax(BN(Conv(G(x))))

分割网络的预测图大小为1×H×W，分割网络的预测图上的每一个值表示预测类别；对属于同一语义类别的像素，可以定位到对应原图像的区域，之后计算对应区域的每一个通道上的均值，获取语义指导信息；而后对图像采用均值滤波，使得语义指导信息图像中的白细胞在形态上更加接近真实的白细胞；

语义生成器遵循编码器‑解码器架构，并由残差编码器和Spade残差解码器组成；语义生成器利用生成的语义指导信息作为条件限制，进而生成高质量的白细胞快速染色图像；

其中，卷积层和残差层用于提取图像特征，Spade残差层通过空间自适应归一化融合语义指导信息与特征信息；

改进多尺度鉴别器，将多尺度下采样操作获取的深、浅层特征信息通过一个自校正模块进行特征融合矫正，保证转换后图像的清晰度以及语义上的准确度。

2.根据权利要求1所述的基于循环生成对抗网络的血液白细胞染色风格转换方法，其特征在于，该方法具体实现如下：将瑞氏染色下的白细胞图像定义为A域，快速染色下的白细胞图像定义为B域，定义两个语义生成器GA2B和GB2A分别用于从将A域的白细胞图像转换到B域和将B域的白细胞图像转换到A域，以及两个多尺度鉴别器DA和GB分别用于鉴别生成的A域和B域下的白细胞图像的真实性，并输出一个大小为N×N的概率矩阵Mprob；将真实的白细胞瑞氏染色图像以及真实的白细胞快速染色图像分别表示为 和 将生成的白细胞瑞氏染色图像和白细胞快速染色图像分别表示为 和 其中 和 会被映射回原域上的图像，将它们分别表示为和当训练语义生成器GA2B时，将 作为输入，在由图像分割网络所生成的语义指导信息下学习A域到B域的映射，生成 接着，GB2A在语义指导信息的条件限制下，会将生成的B域的图像 映射回A域，即生成 训练语义生成器GB2A的过程即将上述描述的转换方向进行倒转；训练GA2B与GB2A的过程可以表示为：当训练多尺度鉴别器时，对于DA， 和 分别输入DA，对于每一张输入图像，多尺度鉴别器输出对应的N×N矩阵，矩阵的每一个元素表示对应图像块是真实图像还是虚假图像的概率，这里N的大小由多尺度鉴别器的结构决定；DB同理。

3.根据权利要求2所述的基于循环生成对抗网络的血液白细胞染色风格转换方法，其特征在于，语义生成器的总体损失LG表示为：LG＝α·Ladv+β·Lcyc+γ·Lidt       (3)

其中α、β和γ 为权重参数，Ladv、Lcyc和Lidt分别表示adversarial loss、cycle consistency loss以及identity loss。

4.根据权利要求2所述的基于循环生成对抗网络的血液白细胞染色风格转换方法，其特征在于，多尺度鉴别器的总体损失LD表示为：其中α、β为权重参数， 和 分别表示为：

其中Mtrue和Mfalse表示布尔矩阵，其大小与多尺度鉴别器输出的预测矩阵的大小一致，Yi和 分别表示真实标签与预测值，i为元素索引。

5.根据权利要求2所述的基于循环生成对抗网络的血液白细胞染色风格转换方法，其特征在于，所述多尺度鉴别器能够提取并融合来自不同大小感受野的特征信息。