1.一种基于图像分割的干细胞分类方法，其特征在于，包括以下步骤：步骤S1：获取原始干细胞图像数据，对原始干细胞图像数据进行Wasm处理，得到干细胞图像质量参数；基于干细胞图像质量参数对原始干细胞图像数据进行自适应预处理，得到标准化干细胞图像数据；

步骤S2：对标准化干细胞图像数据进行多分辨率金字塔构建，得到多层级干细胞图像表示数据；

步骤S3：对多层级干细胞图像表示数据进行多分辨率分层处理，得到多层级细胞特征数据，其中多层级细胞特征数据包括潜在细胞区域数据、细胞聚集区数据及细胞重叠区数据，步骤S3中所述对多层级干细胞图像表示数据进行多分辨率分层处理包括：对多层级干细胞图像表示中的低分辨率层进行细胞区域初步识别，得到潜在细胞区域数据；

对多层级干细胞图像表示中的中等分辨率层进行细胞聚集区分析，得到细胞聚集区数据；

对多层级干细胞图像表示中的高分辨率层进行细胞重叠区精细处理，得到细胞重叠区数据；

将所述潜在细胞区域数据、细胞聚集区数据及细胞重叠区域数据记为多层级细胞特征数据；

步骤S4：基于多层级细胞特征数据进行干细胞自适应算法分割，得到分割干细胞图像数据，步骤S4包括以下步骤：步骤S41：对潜在细胞区域数据进行区域生长算法处理，得到初始分割区域数据；

步骤S42：基于初始分割区域数据进行细胞边界活动轮廓模型优化，得到精确细胞边界数据；

步骤S43：对细胞聚集区数据及细胞重叠区数据进行分水岭变换处理，得到分离细胞单元数据；

步骤S44：基于精确细胞边界数据及分离细胞单元数据进行细胞完整性验证，得到有效细胞对象数据；

步骤S45：对有效细胞对象数据进行形状约束过滤，得到纯净细胞集合数据；

步骤S46：基于纯净细胞集合数据进行原始图像区域标记重构，得到分割干细胞图像数据；

步骤S5：对分割干细胞图像数据进行形态学特征提取，并基于形态学特征提取结果进行层次化分类处理，得到干细胞分类结果数据；

步骤S6：对干细胞分类结果数据进行分布式存储处理，生成持久化干细胞分类数据库。

2.根据权利要求1所述的基于图像分割的干细胞分类方法，其特征在于，步骤S1包括以下步骤：步骤S11：获取原始干细胞图像数据，对原始干细胞图像数据进行Wasm模块编译，得到高性能图像处理模块；

步骤S12：基于高性能图像处理模块对原始干细胞图像数据进行质量评估，得到干细胞图像质量参数；

步骤S13：对干细胞图像质量参数进行图像质量分析与预处理策略确定，得到最优预处理策略；

步骤S14：基于最优预处理策略对原始干细胞图像数据进行图像降噪与对比度增强，得到增强干细胞图像数据；

步骤S15：对增强干细胞图像数据进行光照校正与边缘优化，得到标准化干细胞图像数据。

3.根据权利要求1所述的基于图像分割的干细胞分类方法，其特征在于，步骤S2包括以下步骤：步骤S21：对标准化干细胞图像数据进行高斯滤波处理及逐级降采样处理，得到多尺度干细胞图像序列；

步骤S22：基于多尺度干细胞图像序列对不同分辨率层级进行组织排列，得到层级化干细胞图像金字塔结构；

步骤S23：对层级化干细胞图像金字塔结构进行相邻层级差分运算，并对相邻层级差分运算结果进行归一化处理，得到标准化特征表示数据；

步骤S24：基于标准化特征表示数据进行各层级信息融合处理，得到多层级干细胞图像表示数据。

4.根据权利要求3所述的基于图像分割的干细胞分类方法，其特征在于，步骤S23中所述的对层级化干细胞图像金字塔结构进行相邻层级差分运算包括：对层级化干细胞图像金字塔结构进行相邻层级插值对齐处理，得到尺度匹配干细胞图像数据；

基于尺度匹配干细胞图像数据进行相邻层级像素级减法运算，得到层间差异信息数据；

对层间差异信息数据进行非线性增强处理，得到显著特征区域数据；

基于显著特征区域数据进行低信噪比区域自适应阈值过滤，得到纯净差分特征数据；

对纯净差分特征数据进行多尺度层级整合，得到层级特征集合数据；

基于层级特征集合数据进行各层级特征权重化组合，得到相邻层级差分运算结果。

5.根据权利要求1所述的基于图像分割的干细胞分类方法，其特征在于，步骤S43包括以下步骤：步骤S431：对细胞聚集区数据进行距离变换计算，并对距离变换计算结果进行图像区域局部极大值提取，得到细胞种子点集合；

步骤S432：对细胞种子点集合进行唯一标识符分配，得到细胞标记图像；

步骤S433：基于细胞标记图像对细胞重叠区数据进行分水岭算法处理，并对分水岭算法处理结果进行边界平滑优化，得到精细细胞边界线数据；

步骤S434：基于精细细胞边界线数据进行分离区域连通域标记，得到分离细胞单元数据。

6.根据权利要求1所述的基于图像分割的干细胞分类方法，其特征在于，步骤S5包括以下步骤：步骤S51：对分割干细胞图像数据进行几何形态学参数计算，得到细胞形态基础特征数据；

步骤S52：基于细胞形态基础特征数据进行细胞区域灰度共生矩阵分析，得到细胞纹理特征数据；

步骤S53：基于细胞纹理特征数据进行细胞区域分布空间密度计算，得到细胞密度特征数据；

步骤S54：对细胞形态基础特征数据、细胞纹理特征数据及细胞密度特征数据进行多维特征融合，得到综合细胞特征向量；

步骤S55：对综合细胞特征向量进行支持向量机分类处理，得到一级细胞分类数据；

步骤S56：基于一级细胞分类数据进行细胞亚类深度学习细分，得到干细胞分类结果数据。

7.根据权利要求1所述的基于图像分割的干细胞分类方法，其特征在于，步骤S6包括以下步骤：步骤S61：对干细胞分类结果数据进行数据结构优化转换，得到标准化存储格式数据；

步骤S62：基于标准化存储格式数据进行细胞分类信息多维索引构建，得到细胞分类检索索引；

步骤S63：对细胞分类检索索引进行哈希分区处理，并基于哈希分区处理结果对标准化存储格式数据进行分片存储，得到多节点干细胞数据集群；

步骤S64：对多节点干细胞数据集群进行一致性校验处理，并进行元数据整合，得到持久化干细胞分类数据库。

8.一种基于图像分割的干细胞分类系统，其特征在于，用于执行如权利要求1所述的基于图像分割的干细胞分类方法，所述基于图像分割的干细胞分类系统包括：图像预处理与标准化模块，用于获取原始干细胞图像数据，对原始干细胞图像数据进行Wasm处理，得到干细胞图像质量参数；基于干细胞图像质量参数对原始干细胞图像数据进行自适应预处理，得到标准化干细胞图像数据；

多分辨率金字塔构建模块，用于对标准化干细胞图像数据进行多分辨率金字塔构建，得到多层级干细胞图像表示数据；

多分辨率分层特征提取模块，用于对多层级干细胞图像表示数据进行多分辨率分层处理，得到多层级细胞特征数据，其中多层级细胞特征数据包括潜在细胞区域数据、细胞聚集区数据及细胞重叠区数据，所述对多层级干细胞图像表示数据进行多分辨率分层处理包括：对多层级干细胞图像表示中的低分辨率层进行细胞区域初步识别，得到潜在细胞区域数据；

对多层级干细胞图像表示中的中等分辨率层进行细胞聚集区分析，得到细胞聚集区数据；

对多层级干细胞图像表示中的高分辨率层进行细胞重叠区精细处理，得到细胞重叠区数据；

将所述潜在细胞区域数据、细胞聚集区数据及细胞重叠区域数据记为多层级细胞特征数据；

干细胞自适应分割模块，用于基于多层级细胞特征数据进行干细胞自适应算法分割，得到分割干细胞图像数据，包括：对潜在细胞区域数据进行区域生长算法处理，得到初始分割区域数据；

基于初始分割区域数据进行细胞边界活动轮廓模型优化，得到精确细胞边界数据；

对细胞聚集区数据及细胞重叠区数据进行分水岭变换处理，得到分离细胞单元数据；

基于精确细胞边界数据及分离细胞单元数据进行细胞完整性验证，得到有效细胞对象数据；

对有效细胞对象数据进行形状约束过滤，得到纯净细胞集合数据；

基于纯净细胞集合数据进行原始图像区域标记重构，得到分割干细胞图像数据；

形态学特征提取与分类模块，用于对分割干细胞图像数据进行形态学特征提取，并基于形态学特征提取结果进行层次化分类处理，得到干细胞分类结果数据；

分布式存储与持久化模块，用于对干细胞分类结果数据进行分布式存储处理，生成持久化干细胞分类数据库。