1.一种基于线性回归的关联成像方法，其特征在于，包括如下步骤：步骤S1，使用计算机产生一组随机散斑，并将该组随机散斑加载到DMD上；其中，所述随机散斑共有M个，设第m个随机散斑的数学表达式为wm；

步骤S2，使用光源照射DMD并经DMD调制生成光学随机散斑，所述光学随机散斑与步骤S1中随机散斑的数学表达式相同；使用所述光学随机散斑wm照射物体，透过物体后的光强经透镜聚焦后均由一无空间分辨能力的桶探测器接收，并得到相应的桶探测器值ym，其中，桶探测器值通过下式得出：

其中，ym是第m个光学随机散斑wm照射到物体后桶探测器接收的来自于物体的光强值；

2

是第m个光学散斑wm的列向量表示，wm的大小为N×N， 的大小为N×1； 是物体T(x,y)2

的列向量表示，T(x,y)的大小为N×N， 的大小为N×1；n是桶探测器接收到的背景噪声；

步骤S3，在步骤S2中照射完所有光学随机散斑并且得到对应的桶探测器值后，使用机器学习中的线性回归方法对物体图像进行恢复，得出物体T(x,y)的图像，具体包括：所述光学随机散斑全部照射到物体且所述桶探测器接收了所有的光强值的过程用公式表示如下：

其中，是M次照射光学随机散斑时桶探测器接收到的背景噪声的向量表示，大小为M×

1；Y是M次散斑照射时桶探测器的测量值的向量表示； 是所有的M个随机散斑组成的矩阵，2

大小为M×N，其中第m行是

使用线性回归算法计算得到物体的恢复图像，理论过程及优化目标表示如下：为防止在物体恢复过程中的过拟合，对优化目标加上正则化项，优化算法改为：其中，λ为正则化系数；

经过推导分析、展开和求导，得到最优解如下：其中，I为单位矩阵，大小与 的大小相同。

2.根据权利要求1所述的一种基于线性回归的关联成像方法，其特征在于，步骤S1中所述随机散斑的大小与物体的大小相同，均为N×N。