1.一种基于多字典改进型压缩感知框架的内窥镜图像感知重构方法，其特征在于：所述方法包括以下步骤：步骤1，大量的内窥镜图像训练出多个独立同分布的字典，过程如下：

1.1令Ψ代表字典矩阵，将大量的内窥镜图像均匀的分成P个子集，从每个子集当中随机抽取等量的内窥镜图像，然后将图像转为灰度值尺度为0～255的灰度图像，对这些图像按大小为8*8的像素块进行切割，切割下来的像素块分别拉成列原子大小为64*1的像素条，按一个子集为一组分别，将一个组的像素条拼成组成P个行尺度为64的原始信号矩阵，列尺度由抽取的图像数量和图像的大小决定，基于这些原始信号矩阵引入K次奇异值分解算法，使用并行计算的能力，P条线路同时训练，由于数据是均匀随机抽取得到的，所以可以得到P个独立同分布字典；

1.2K-SVD多字典训练优化方程为：

其中Ψ(t)∈R64×100，t＝1,2,...,P是训练得到的P个字典，Y(t)是原始信号矩阵，Φ∈R20×64是感知矩阵，S是稀疏系数，且S是一个正整数；

步骤2，针对大尺寸内窥镜图像设计基于多字典的感知矩阵优化算法，目标函数使用多字典进行迭代梯度下降，过程如下：

2.1考虑图像应用场景，设计感知矩阵优化目标函数的格拉姆矩阵逼近单位矩阵的同时，引入基于弗罗贝尼乌斯范数的正则化惩罚项来减小感知矩阵的能量；

2.2目标函数为：

其中Gt∈R100×100代表目标格拉姆矩阵， 是弗罗贝尼乌斯范数，λ代表正则化项的权衡因子，用来权衡最优化问题中逼近单位阵和感知矩阵能量的相互影响，该目标函数的优化目标是得到一个较好的适用于大尺寸图像的感知矩阵；

2.3考虑到秩约束，上述目标函数其实是一个非凸函数，将字典矩阵视为一个变量，采用随机梯度下降的平均梯度策略优化，分别计算基于P个字典的目标函数关于感知矩阵的梯度：其中Gt是目标格拉姆矩阵，再求P个目标函数关于感知矩阵梯度的平均值：是梯度平均值，作为感知矩阵更

新的梯度变量值，带入变步长梯度下降公式中得到更新后的感知矩阵：其中α是梯度下降的变步长参数，αi＝0.1*e-0.01*i，i是迭代次数，当迭代次数达到设定阈值时，终止迭代，得到优化后的感知矩阵；

步骤3，利用多字典进行图像重构，其过程如下：

用训练好的感知矩阵来采样原信号X，得到原图像的采样测量值为Y：Y＝ΦX  (6)

这里应用经典的正交匹配追踪算法(OMP)来计算得到压缩感知中的稀疏系数S，代入P个字典经由正交匹配追踪算法解出P个稀疏系数，P个稀疏系数可以组成P个重构图像结果：X(t)＝Ψ(t)S(t)  (7)

其中t＝1,2,...,P，X(t)是由第t个字典重构得到的恢复信号，Ψ(t)是第t个字典，S(t)是第t个稀疏系数，再求P个恢复信号的平均值：其中平均值X是基于多字典的改进型压缩感知框架得到的最终重构图像。