1.基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，具体操作过程包括如下步骤：步骤1，获取计算鬼成像得到的MNSIT数据集相对应的基于Hadamard矩阵的鬼成像数据集；

步骤2，构建U-Net网络模型，将步骤1得到的数据分为训练集、测试集和验证集，通过训练集数据训练U-Net网络模型中的参数；

步骤3，通过测试集数据训练U-Net网络模型中的超参数；

步骤4，通过验证集验证训练好的U-Net网络模型并输出结果，实现计算鬼成像重建。

2.如权利要求1所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤1的具体过程如下：通过现有生成鬼成像图像的仪器得到鬼成像图像记为O(x,y)，如式(2)所示：O(x,y)＝<δSδIr(x,y)>       (2)其中，<·>为系综平均；

其中，Br通过桶探测器得出；

其中， 是Rr的共轭函数；

其中，z表示光的传播距离，λ是激光的波长，Er是SLM的复振幅；

其中，E(in)是射入SLM的复振幅； 是随机相位掩模，随机相位掩模由随机Hadamard矩阵生成，则鬼成像的最终结果由式(7)表示：

3.如权利要求1所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2的具体过程如下：步骤2.1，构建U-Net网络模型，并初始化网络中的所有参数，将步骤1中的训练集数据作为输入通过给定参数的卷积层，再进行实例正则化层，最后通过激活函数层输出；

步骤2.2，定义损失函数，通过比较损失函数将步骤2.1的输出结果与训练集数据的原始图像，根据损失函数对网络进行反向传播，保持网络中的超参数不变对网络中的参数进行训练，直至损失函数稳定，则U-Net网络模型训练完成，否则重复执行步骤2.1和步骤2.2。

4.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2.1中实例正则化的公式如式(8)所示：其中，γ和β都是超参数，μ(x)为图像x的均值，σ(x)为图像x的方差。

5.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2.1中，最后一个卷积模块的激活函数层为sigmoid激活函数，其他卷积模块的激活函数层为relu激活函数。

6.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2.1中构建U-Net网络模型的具体过程如下：步骤2.1.1，将训练集数据作为输入，进行5个卷积模块的操作，其中卷积核的大小为9*

9，步长为1，特征层为64，并将经过最后一个卷积模块的输出保存；

步骤2.1.2，对步骤2.1.1的输出结果运用最大池化操作进行池化；

步骤2.1.3，对步骤2.1.2的输出结果进行5个卷积模块的操作，其中卷积核的大小为7*

7，步长为1，特征层为128，并将经过最后一个卷积模块的输出保存；

步骤2.1.4，将上述输出结果重复步骤2.1.2的操作并输出，对其输出进行5个卷积模块的操作，其中卷积核的大小为5*5，步长为1，特征层为256，对其输出的输出运用反卷积操作进行上采样；

步骤2.1.5，将步骤2.1.3的输出结果与步骤2.1.4的上采样结果运用concat操作连接起来，并对其进行5个卷积模块的操作，其中卷积核的大小为7*7，步长为1，特征层为128，对其出输出再进行一次上采样；

步骤2.1.6，将步骤2.1.1的输出结果与步骤2.1.5的上采样结果用concat操作连接起来，执行步骤2.1.1的过程并输出，将输出结果进行1个卷积模块的操作，其中卷积核的大小为1*1，步长为1，特征层为1，得到网络的输出结果，网络模型训练完成。

7.如权利要求3所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤2.2中的损失函数如式(9)所示：其中，n为图像的大小，i为图像对应的像素位置，yi为通过网络得到的图像中像素为i的位置，y′i为训练集中的原始图像中像素为i的位置。

8.如权利要求6所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤3的具体过程如下：步骤3.1，将验证集中的数据输入到网络中，执行步骤2.1。

步骤3.2，通过比较损失函数将步骤2.1的输出结果与训练集数据的原始图像，根据损失函数对网络进行反向传播，保持网络中的参数不变对网络中的超参数进行训练，直至损失函数稳定，则U-Net网络模型训练完成，否则重复执行步骤3.1和步骤3.2。

9.如权利要求6所述的基于U-Net网络的计算鬼成像重建恢复的方法，其特征在于，所述步骤4的具体过程如下：将需要处理的图像输入到训练好的网络中，重复步骤2.1.1至步骤2.1.6的操作，比较网络的输出结果和测试集中的原始图像，计算损失函数，进行网络反向传播，直至损失函数保持稳定，输出结果即为计算鬼成像图像重建。