1.一种显微图像的特征提取方法，其特征在于，包括如下步骤：步骤S1、构建显微图像数据集，数据集中不同类型的图像具有不同的通道数；步骤S2、将数据集中各图像的通道进行分离，形成单通道图像的数据池；步骤S3、对于每个单通道图像进行预处理，得到训练集；预处理包括对每个单通道图像随机遮挡预设比例的图像块；步骤S4、构建基于掩码自监督学习的网络模型，所述网络模型采用改进的U-net结构，改进的U-net结构由编码器、解码器和连接层三个结构组成，使用循环卷积块替代传统的卷积块，并在连接过程中引入风格嵌入；步骤S5、将训练集输入基于掩码自监督学习的网络模型进行训练，得到训练好的基于掩码自监督学习的网络模型；步骤S6、基于训练好的基于掩码自监督学习的网络模型构建特征提取器，并使用构建的特征提取器进行显微图像的特征提取。
2.根据权利要求1所述的显微图像的特征提取方法，其特征在于，步骤S1中显微图像数据集包括四种类型：荧光图像、相位对比图像、组织图像和组织病理图像。
3.根据权利要求2所述的显微图像的特征提取方法，其特征在于，荧光图像和组织图像具有2个通道，相位对比图像和组织病理图像具有1个通道。
4.根据权利要求2所述的显微图像的特征提取方法，其特征在于，组织病理图像数据集包含三个子数据集，分别为多器官核分割数据集MoNuSeg、多器官细胞核分割和分类挑战数据集MoNuSac和核分类、定位和分割的数据集NuCLS。
5.根据权利要求2所述的显微图像的特征提取方法，其特征在于，在步骤S3中的预处理中，在对每个单通道图像随机遮挡预设比例的图像块之前还包括采样和数据增强。
6.根据权利要求5所述的显微图像的特征提取方法，其特征在于，所述采样具体为从荧光图像、相位对比图像、组织图像和组织病理图像四种类型中依次随机选择预设数量的图像。
7.根据权利要求6所述的显微图像的特征提取方法，其特征在于，所述数据增强具体包括：从每张图像中随机裁剪一个预设尺寸的正方形区域，然后进行归一化、随机旋转和随机缩放，处理后的图像为目标图像。
8.根据权利要求7所述的显微图像的特征提取方法，其特征在于，如果图像不足预设尺寸，则填充黑色像素到该尺寸。
9.根据权利要求7-8任一项所述的显微图像的特征提取方法，其特征在于，步骤S4中基于掩码自监督学习的网络模型学习并重构出目标图像。
10.根据权利要求9所述的显微图像的特征提取方法，其特征在于，基于掩码自监督学习的网络模型训练中使用MSE作为损失函数，采用AdamW作为优化器。
11.根据权利要求10所述的显微图像的特征提取方法，其特征在于，基于训练好的基于掩码自监督学习的网络模型构建特征提取器具体为：在训练好的基于掩码自监督学习的网络模型上加一个平均池化层作为特征提取器。
12.一种显微图像的特征提取系统，其特征在于，使用权利要求1-11任一项所述的显微图像的特征提取方法进行显微图像的特征提取；包括：显微图像数据集构建模块，采集多张显微图像构成显微图像数据集；图像预处理模块，对图像进行预处理，得到训练集；预处理包括对每个单通道图像随机遮挡预设比例的图像块；基于掩码自监督学习的网络模型构建模块，采用改进的U-net结构构建所述网络模型，改进的U-net结构由编码器、解码器和连接层三个结构组成，使用循环卷积块替代传统的卷积块，并在连接过程中引入风格嵌入；基于掩码自监督学习的网络模型训练模块，将训练集输入基于掩码自监督学习的网络模型进行训练，得到训练好的基于掩码自监督学习的网络模型；特征提取器构建及特征提取模块，基于训练好的基于掩码自监督学习的网络模型构建特征提取器，并使用构建的特征提取器进行显微图像的特征提取。
