1.一种基于深度学习的稠密样本无透镜显微成像装置与方法，其特征在于通过如下技术方案实现：涉及的深度学习无透镜显微成像装置的主体结构包括有光源、散射片、小孔、被测样本、图像传感器和深度学习计算平台，光源设置于散射片上部，距离为1mm；散射片的下部设置有小孔，样本位于小孔正下方，图像传感器设置于样本的正下方，图像传感器与计算机通信连接；具体工作方式如下：光源发出的光经过散射片和小孔后，照射到被测样本上，图像传感器采集了样本的全息图像，并发送至深度学习计算平台，在深度学习计算平台上将全息图像还原为原始样本图像，该方法的优势在于只需要拍摄一张被测稠密样本的全息图，通过深度学习重建算法即可还原被测样本图像；

光源采用部分相干光源或激光相干光源；散射片的散射角在10度以上，图像传感器采用工业相机或智能相机，深度学习计算平台与相机之间可通过网线、光纤等有线方式或wifi、移动网络等无线方式进行连接和数据传输，深度学习计算平台中含有GPU计算卡或专用计算芯片，图像重建方法在深度计算平台中完成和实现；

图像重建方法包括光波角谱反向传播计算模块和深度神经网络模块，光波角谱反向传播计算模块的输入为采集的全息图像，输出为复数图像；深度神经网络模块将复数图像分为实部图像和虚部图像作为输入，而后通过网络处理后给出优化后的实部图像和虚部图像，所述深度神经网络模块包括有卷积神经网络。

2.根据权利要求1所述的一种基于深度学习的稠密样本无透镜显微成像装置与方法，其特征在于光源选用LED光源，LED光源波长λ为520nm；所用散射片为50°散射角的工程散射片，散射片与LED光源之间间隔为1mm；所用小孔为100微米针孔，小孔紧贴在散射片背部；样本为待观测显微样本，样本与小孔之间间隔为6cm；所用相机为单板工业相机，分辨率为2.2微米，相机与样本之间间隔为z，z在0.2-5mm之间；所用深度学习计算平台为PC计算机，计算机中插入了GPU计算卡，计算机与单板相机之间采用USB3.0进行有线连接；

光波角谱反向传播计算模块中计算了物体P(x,y)经过距离-z的反向传播后所得到的光场，上述传播过程可通过光波近场衍射传播进行描述，可采用菲涅尔卷积法或角谱法等方式进行数值计算，本发明中采用了角谱法进行实现，记物体P(x,y)传播距离z后的光波为E(x',y')＝ASP{P(x,y)；λ,z}，其计算过程如下：步骤一：计算P(x,y)的角谱

步骤二：物体角谱传播距离z，

步骤三：重建出射光波

因此，光波角谱反向传播计算模块的计算形式为E(x',y')＝ASP{P(x,y)；λ,-z}；

深度神经网络的输入将反向传播后的复数数据分解为实部和虚部，并将实部数据和虚部数据作为网络的输入，深度神经网络采用的是全卷积网络，网络经过四组下采样，然后又经过四组上采样，最后恢复出图像，网络的连接顺序依次为输入层、第一卷积层加激活层、第一密集网络块、第一最大池化层、第二密集网络块、第二最大池化层、第三密集网络块、第三最大池化层、第四密集网络块、第四最大池化层、第五密集网络块、第一反卷积层、第一拼接层、第六密集网络块、第二反卷积层、第二拼接层、第七密集网络块、第三反卷积层、第三拼接层、第八密集网络块、第四反卷积层、第四拼接层、第九密集网络块、第二卷积层加激活层和输出层，输出层输出处理后的实部图像和虚部图像，其中密集网络块包括有三层卷积和三层拼接，其顺序为输入、第一层卷积、第一拼接层、第二层卷积、第二拼接层、第三层卷积、第三拼接层。

3.根据权利要求2所述的一种基于深度学习的稠密样本无透镜显微成像装置与方法，其特征在于：深度神经网络的具体建立步骤按照如下方式进行：

S1、利用显微成像装置采集显微样本数据，记为{Oi(x,y)}i＝1,…N；

S2、对训练样本数据进行显微数字成像仿真，获得仿真的全息图像，具体步骤如下：

a)选择一张训练样本数据Oi(x,y)，采用角谱传播法进行z距离的传播，获得像面光场θi(x′,y′)＝ASP{Oi(x,y)；λ,z}；

2

b)模拟图像传感器采集过程，获得全息图像Ii(x′,y′)＝|θi(x′,y′)|；

c)重复a)和b)的过程，直到完成生成所有训练样本的全息图像{Ii(x′,y′)}i＝1,…NS3、利用光波角谱反向传播计算模块对仿真的全息图像{Ii(x′,y′)}i＝1,…N进行反向传播，Ei(x,y)＝ASP{Ii(x′,y′)；λ,-z}，获得反向重建结果{Ei(x,y)}i＝1,…N；

S4、将将重建结果{Ei(x,y)}i＝1,…N与{Oi(x,y)}i＝1,…N进行配对，形成训练样本数据集{Oi(x,y),Ei(x,y)}i＝1,…N；

S5、训练样本集按照9：1比例制作成训练集和测试集，训练集用于训练深度神经网络，测试集用于测试深度神经网络；

S6、将训练样本集注入到深度神经网络中，网络训练过程如下：

a)设定误差损失函数为:

式中，Γ(·；α)为所建立的深度神经网络，α为待训练深度神经网络参数；

b)将所述损失函数根据链式求导法则，由后向前逐层求导，然后采用随机梯度下降方法更新深度神经网络参数α；

c)通过反复对深度神经网络参数进行迭代优化，观察训练样本和测试样本的误差损失函数结果，直到能够满足系统的精度为止；

S7、生成得到深度神经网络：

为了验证本发明装置的成像能力，采用了500张显微镜图像作为原始图像，进行了神经网络训练，得到训练损失函数，再得到利用图像传感器采集的绦虫卵全息图像，通过光波角谱反向传播计算模块找到物体所在平面，而后得到物体光场，但是图像中具有大量的伪纹，物体内部很难辨认，将反向传播物体光场的实部和虚部代入到深度神经网络中，经过深度神经网络处理后振幅图像和相位图像中的孪生伪纹被消除，重建图像中被观测目标更加清晰、易辨识。