1.一种基于深度学习的压缩感知图像重建算法，其特征在于，方法步骤如下：S1：对图像数据进行预处理，包括提取数据的灰度值和对图像进行分块；

S2：对已经切分好的图像块进行测量，获得测量矩阵；

S3：构建一个10层的深度压缩感知重建网络；

S4：在深度学习框架中对10层网络进行训练；

S5：在经过深度神经网络后，得到重建图像块，按照索引，对图像块按照原始行列值进行重排；

S6：图像块经过重排得到重建图像后，选择BM3D去噪器对图片进行降噪处理，最终得到重建图像；

所述S1中选取100张图像，其中90张作为训练集，10张作为测试集，每张图像不重叠的划分为33×33的小块；

所述S3中构建一个10层的深度压缩感知重建网络，其中1‑4层为堆叠自动编 码器，5‑

10层为卷积层构成的网络：

3‑1)网络的第一层全连接层与输入图像块转化成的列向量x连接，按照 不同的测量率设置不同的神经元个数C，完成压缩感知中的测量操作；激活函数为ReLU函数，输出C维的列向量y，其计算过程可用如下过程表示：y＝T(W1x+b1)；

其中，T表示ReLU激活函数，W1表示第一层神经元权值参数向量，b1表示第一层神经 元偏置；

3‑2)网络的第二层全连接层与第一层全连接，设置1089个神经元，它将第一层的输出y作为输入，输出 激活函数为ReLU函数，其计算过程可用如下公式表示：；

其中，T表示ReLU激活函数，W2表示第二层神经元权值参数向量，b2表示第二层神经 元偏置；

3‑3)网络的第三层全连接层，与第二层全连接，设置272个神经元，它将第二层的输出作为输入，输出 激活函数为ReLU函数，其计算过程可用如下公式表示：；

其中，T表示ReLU激活函数，W3表示第三层神经元权值参数向量，b3表示第三层神经 元偏置；

3‑4)网络的第四层全连接层，与第三层全连接，设置1089个神经元，它将第三层的输出作为输入，输出初步重建图像块向量 激活函数为ReLU函数，其计算过 程可用如下公式表示：；

其中，T表示ReLU激活函数，W4表示第四层神经元权值参数向量，b4表示第四层神经 元偏置；

3‑5)将初步重建图像块向量 按原行列重新排列成33*33图像块，得到初 步重建图像块；

进一步的，用卷积神经网络对图像块进行精确重建；将初步重建图像输入卷积神 经网络处理，为了保证在图像过程中保持图像的大小不变，本在图像块每次输入一个卷积层后，得到新的特征图，需 进行适当的补零操作，保持图像大小等于原图像块大小，下面依次对每一个卷积层进行详 细描述；

 3‑6)将步骤3‑5)中得到的初步重建图像输入网络的第五层卷积层，第五层卷积层 采用64个大小为11×11的卷积核，生成64个大小为33×33的特征图，第五卷积层的补零数 量为5中得补零相区别，卷积层中的补零为在图像周边补一圈零，激活函数为ReLU；

 3‑7)网络的第六层卷积层与第五层卷积层相连接，采用32个大小为1*1的卷积核， 生成32个大小为33×33的特征图，第六层卷积层的补零数量为0，激活函数为ReLU；

 3‑8)网络的第七层卷积层与第六层卷积层相连接，采用1个大小为7*7的卷积核， 生成1个大小为33×33的特征图，第七层卷积层的补零数量为3，激活函数为ReLU；

 3‑9)网络的第八层卷积层与第七层卷积层相连接，采用64个大小为11*11的卷积 核，生成64个大小为33×33的特征图，第八层卷积层的补零数量为5，激活函数为ReLU；

3‑10)网络的第九层卷积层与第八层卷积层相连接，采用32个大小为1*1的卷积 核，生成32个大小为33×33的特征图，第九层卷积层的补零数量为0，激活函数为ReLU；

 3‑11)网络的第十层卷积层与第九层卷积层相连接，采用1个大小为7*7的卷积核， 第十层卷积层的补零数量为3，不使用激活函数输出，生成大小为33×33的重建图像块。

2.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法，其特征在于，所述S2中采用随机高斯矩阵Φ进行测量处理，按照不同的测量率MR，MR＝0 .25、0  .10、0  .04或0 .01。

3.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法，其特征在于，所述S3中1‑4层为堆叠自动编码器，5‑10层为卷积层构成的网络。

4.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法，其特征在于，所述S4中采用采用无监督的方式训练，损失函数如下：；

th th

表示训练集中图像块的总数量，xi为i 个图像块，F(xi  ,{W})表示第i 个图像块的输出，{W}＝{W1 ,b1 ,W2 ,b2 ....W10 ,b10}。

5.根据权利要求1所述的一种基于深度学习的压缩感知图像重建算法，其特征在于，所述S5中需将补零部分去除。