1.一种基于生成对抗网络的压缩感知图像重建方法，其特征在于，包括：S1、根据原始图像采样得到的测量向量与重建图像大小构建基于神经网络的生成对抗网络模型，并设计用于优化所述生成对抗网络模型参数的目标函数；

S2、预设训练所述生成对抗网络模型时的参数；

S3、根据所述目标函数，采用反向传播算法交替训练生成器与鉴别器；

S4、若所述生成对抗网络模型收敛，则训练好的网络可以直接实现压缩感知任务，模型输出为由所述测量向量重构出的对应原图像；否则返回执行步骤S2-S4。

2.根据权利要求1所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，所述S1中，测量向量表示为：y＝Φx+ξ，y∈RM，Φ∈RM×N，x∈RN

其中，y表示测量向量，Φ为测量矩阵，x表示所述原始图像的数据矩阵变成向量化后变成的数据行向量，M表示测量向量大小，N为所述原始图像的像素数。

3.根据权利要求1所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，所述S1中，生成对抗网络模型的公式为：J(D,G)＝minG maxD[lrec(G(y))+lreg(G(y))+lGAN(G(y),D)]其中，G为生成器，D为鉴别器，y为测量向量，x表示所述原始图像的数据矩阵变成向量化后变成的数据行向量，lrec为重构损失，lreg为总变分正则，lGAN为鉴别器网络的对抗损失。

4.根据权利要求3所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，将所述重构损失、总变分正则和鉴别器网络的对抗损失对应公式代入到所述生成对抗网络模型的公式中，分别得到优化生成器和鉴别器参数的目标函数；

所述生成器的目标函数表示为：

所述鉴别器的目标函数为：

其中， 为生成器重构图像，i和j为原始图像的像素位置，pdata和py是原始图像和随机测量向量的统计分布，γ为鉴别器的损失权重。

5.根据权利要求1所述的基于生成对抗网络的压缩感知图像重建方法，其特征在于，所述S3中，训练所述生成器时采用的激活函数为Selu，训练所述鉴别器时采用的激活函数为Lrelu。

6.一种根据权利要求1-5所述的基于生成对抗网络的压缩感知图像重建方法实现的系统，其特征在于，包括：网络模型构建模块，用于根据原始图像采样得到的测量向量与重建图像大小构建基于神经网络的生成对抗网络模型，并设计用于优化所述生成对抗网络模型参数的目标函数；

参数预设模块，用于预设训练所述生成对抗网络模型时的参数；

生成器训练模块，用于根据所述目标函数，采用反向传播算法交替训练生成器与鉴别器；

收敛判断模块，用于判断所述生成对抗网络模型是否收敛，若所述生成对抗网络模型收敛，则训练好的网络可以直接实现压缩感知任务，模型输出为由所述测量向量重构出的对应原图像；否则返回所述参数预设模块。

7.根据权利要求6所述的基于生成对抗网络的压缩感知图像重建系统，其特征在于，所述网络模型构建模块中，所述测量向量表示为：

y＝Φx+ξ，y∈RM，Φ∈RM×N，x∈RN

其中，y表示测量向量，Φ为测量矩阵，x表示所述原始图像的数据矩阵变成向量化后变成的数据行向量，M表示测量向量的大小，N为所述待采样图像的像素数。

8.根据权利要求6所述的基于生成对抗网络的压缩感知图像重建系统，其特征在于，所述网络模型构建模块中，生成对抗网络模型的公式为：J(D,G)＝minG maxD[lrec(G(y))+lreg(G(y))+lGAN(G(y),D)]其中，G为生成器，D为鉴别器，y为测量向量，x表示所述原始图像的数据矩阵变成向量化后变成的数据行向量，lrec为重构损失，lreg为总变分正则，lGAN为鉴别器网络的对抗损失。

9.根据权利要求8所述的基于生成对抗网络的压缩感知图像重建系统，其特征在于，将所述重构损失、总变分正则和鉴别器网络的对抗损失对应公式代入到所述生成对抗网络模型的公式中，分别得到优化生成器和鉴别器参数的目标函数；

所述生成器的目标函数表示为：

所述鉴别器的目标函数为：

其中， 为生成器重构图像，i和j为原始图像的像素位置，pdata和py是原始图像和随机测量向量的统计分布，γ为鉴别器的损失权重。

10.根据权利要求6所述的基于生成对抗网络的压缩感知图像重建系统，其特征在于，所述生成器训练模块中，训练所述生成器时采用的激活函数为Selu，训练所述鉴别器时采用的激活函数为Lrelu。