1.一种基于边缘计算的水下鬼成像系统，其特征在于，包括：光源、光调制装置、投影透镜、会聚透镜、光强探测器、边缘计算模块和云计算中心；

所述边缘计算模块的第一端与光调制装置连接，用于向所述光调制装置发送散斑，所述散斑为：傅里叶正弦散斑；

所述光源：用于向所述光调制装置的有效调制区域发射光线；

所述光调制装置：用于通过散斑对光线进行调制并对调制后的光线进行反射，使得反射的光线沿着所述投影透镜的光轴通过投影透镜后，射向水体中的目标物；

所述会聚透镜：用于会聚经所述目标物反射的光线；

所述光强探测器：用于对会聚后的光线的光强度信息进行采集；

所述边缘计算模块的第二端与所述光强探测器连接，用于控制所述光强探测器采集光强度信息，并根据所述光强度信息通过深度学习图像重建算法获取目标物的图像；

所述云计算中心与所述边缘计算模块通信连接；

所述云计算中心：用于当所述目标物的图像的像素尺寸大于预置尺寸时根据所述光强度信息通过深度学习图像重建算法获取目标物的图像。

2.根据权利要求1所述的基于边缘计算的水下鬼成像系统，其特征在于，还包括：云储存平台；所述云储存平台分别与云计算中心和所述边缘计算模块通信连接；

所述云储存平台用于：存储所述目标物的图像。

3.根据权利要求2所述的基于边缘计算的水下鬼成像系统，其特征在于，还包括：显示终端，所述显示终端与所述云储存平台通信连接；

所述显示终端用于：接收所述云储存平台发送的所述目标物的图像，并对所述目标物的图像进行显示。

4.根据权利要求1所述的基于边缘计算的水下鬼成像系统，其特征在于，所述会聚透镜安装在所述光强探测器的正前方，使得所述会聚透镜的焦点处于所述光强探测器的有效探测区域中心。

5.一种深度学习图像重建方法，应用于如权利要求1至4任一项所述的基于边缘计算的水下鬼成像系统，其特征在于，包括：将散斑序列加载到光调制装置上对光线进行调制，并将调制后的光线通过投影透镜射向目标物，所述散斑为：傅里叶正弦散斑；

对被会聚透镜会聚至光强探测器的光线进行光强度探测，得到光强度序列；

通过数据集 对神经网络模型进行训练，在对神经网络模型进行训练的过程中，加入 张噪声级图，其中第 张噪声级图的像素值均为 ， ， 是在 范围内随机生成，并用ADAM函数对损失函数进行优化，直至训练达到预置次数，得到训练后的神经网络模型参数；

将所述光强度序列输入到训练后的神经网络模型中，输出目标物的图像；

其中，所述神经网络模型表示为：

；

上式表示利用隐函数 在一维光场强序列 和输出目标物的图像 之间建立映射关系， 表示神经网络模型参数， 表示第 个用于训练的原始目标物图像， 是对应目标物图像 的一维光场强度序列， 为一维光场强度序列。

6.根据权利要求5所述的深度学习图像重建方法，其特征在于，所述数据集的制作过程为：取 张像素尺寸为 的不同灰度图像作为原始目标物图像，对于第张原始目标物图像 ，通过计算得到一维光场强度序列 ；

式中， 表示第 个光场强度值， ， 是测量总数。

7.根据权利要求5所述的深度学习图像重建方法，其特征在于，所述神经网络模型参数表示为：式中， 表示2‑范数， 是正则化参数， 表示第 个用于训练的原始目标物图像， 是对应目标物图像 的一维光场强度序列， 为原始目标物图像的数据集中数据总量， 为损失函数， 为优化后的所述神经网络模型参数。

8.根据权利要求5所述的深度学习图像重建方法，其特征在于，所述损失函数表示为：；

式中， 表示第 个用于训练的原始目标物图像， 是对应目标物图像 的一维光场强度序列， 为原始目标物图像的数据集中数据总量。