1.基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，具体按照以下步骤实施：步骤1，利用相位掩模照射在目标物体上，通过桶探测器获得总光强，将所述总光强和对应相位掩模输入到convGRU网络中，模拟关联成像过程，直到convGRU网络的损失函数保持稳定；

步骤1具体为：

利用Hadamard矩阵生成的相位掩模作为随机相位掩模，具体表述如下：H1＝[1] (1)，

式(1)、(2)、(3)中， 为克罗内克积；n代表阶数；HN为N阶Hadamard矩阵的结果；

将所述随机相位掩模依次投影到目标物体上，通过桶探测器获得总光强，其中，第t张相位掩模得到的总光强为Bt；对所述总光强进行repeat操作，使其变为一个大小为32*32的图像，将所述图像和其对应的相位掩模均作为convGRU神经元单个状态下的输入；

步骤2，将步骤1的输出结果输入到U‑Net网络中来进行图像增强，直到convGRU‑U‑Net网络的损失函数保持稳定，获得计算鬼成像的成像结果。

2.根据权利要求1所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，将步骤1处理好的相位掩模xt及其对应的图像输入到convGRU网络中；除了第一个神经元，其他每个神经元还将其上一个时刻的神经元输出结果ht‑1均作为当前时刻convGRU神经元的输入；convGRU神经元的前向传播公式如下：zt＝σ(Wz*[ht‑1，xt]+bz) (4)，

rt＝σ(Wr*[ht‑1，xt]+br) (5)，

式(4)、(5)、(6)、(7)中，zt为更新门；ht‑1为t‑1时刻的神经元输出；xt为处理后的相位掩模；rt为重置门； 为中间状态；ht为t时刻convGRU的输出结果；WZ是对于z的卷积操作的权重矩阵；bz是对于z的卷积操作的偏移矩阵； 是对于 的卷积操作的权重矩阵； 是对于 的卷积操作的偏移矩阵；Wr是对于r的卷积操作的权重矩阵；br是对于r的卷积操作的偏移矩阵；

将输入结果合并，然后进行卷积操作，再通过layer normalization和relu激活函数得到重置门和更新门，将rt与ht‑1的点乘结果、xt和Bt均作为输入，进行卷积操作，并通过LN和sigmoid激活函数得到当前状态下的输出结果；

数据具体处理过程为：

当前相位掩模x经过repeat处理的对应的桶探测器值B以及上个convGRU神经元的输出h作为当前convGRU神经元的输入；通过对输入信息做卷积运算，并且通过LN正则化和relu激活函数得到r；将得到的r和上一个convGRU神经元的输出结果h进行点乘；将得到的结果和当前相位掩模x经过repeat处理的对应的桶探测器值B做卷积运算，并伴随LN和sigmoid激活函数得到结果w；当前相位掩模x经过repeat处理的对应的桶探测器值B以及上个convGRU神经元的输出h作为当前convGRU神经元的输入，通过对输入信息做卷积运算，并且由LN正则化和relu激活函数得到z；将z和w点乘的结果与h和(1‑z)点乘的结果相加，就得到了当前convGRU神经元的输出结果。

3.根据权利要求2所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，所述convGRU网络中包含N个神经元，每经过一次convGRU神经元相当于一次采样，即采样N次，convGRU网络最终输出的结果就为N次采样后关联计算的结果。

4.根据权利要求1所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，convGRU网络的损失函数表示如下：2

LconvGRU＝∑i∑j(xi，j‑genei，j) (8)，

式(8)中，gene为convGRU网络的生成结果；x代表的目标图像。

5.根据权利要求1所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，convGRU‑U‑Net网络的损失函数表示如下：2

LconvGRU＝∑i∑j(xi，j‑resulti，j) (9)，

式(9)中，result为整个网络的最终结果。