1.一种基于频谱特性的电磁层析成像图像重建方法，其特征在于，所述方法包括以下步骤：

步骤一，电磁层析成像系统原始信号的有限新息率信号建模：对于两相流参数检测问题，电磁层析成像系统的原始图像为二值图像，灰度值为0或1；设管道内的截面被分割成d×d像素，其中d为整数，其取值由网格剖分数决定；二值图像表示为二维d×d矩阵或一维N×1向量g，其中N＝d×d；由于EMT系统结构的限制，原始信号不能直接采样或测量，先将原始信号建模为可采样的具有有限新息率的信号，有限新息率即指单位时间内具有有限个参数个数，具有有限新息率的信号可在单位时间内由有限个参数确定，将信号建模为有限新息率信号使其能被均匀采样从而提取出输入信号的特征参数信息；过程为：步骤1.1：对离散图像信号向量进行有限新息率信号建模为有限长的Diracs流：其中T是一个周期长度，默认为1秒，便于分析处理；L0是g0(t)的非零灰度值个数，tl∈{0,1,...,N‑1}·(T/N)是密相介质的像素位置，n＝0,1,…,N‑1是像素位置；

步骤1.2：原始信号由于其局限性，通过如LBP算法、Landweber迭代算法和TV正则化算法重建的图像来代替，这些重建的信号是灰度图像，灰度值范围从0到1，所以一个更普遍适用的电磁层析成像信号模型为：

其中L为g(n)的非零灰度值个数，tl∈{0,1,...,N‑1}·(T/N)为密相介质的像素位置，n＝0,1,…,N‑1为像素位置，al∈[0,1]是像素tl的灰度值，n(t)是噪声，通过公式(2)得到的g(t)为具有有限新息率的信号，其新息率为ρ＝2L/T；

步骤二，Sinc采样核设计和均匀采样：对有限长度的信号g(t)进行周期延拓使其适用于Sinc采样核，设周期为T的信号是由Diracs产生的，这种信号通过傅立叶级数自然表示为：

Sinc采样核设计为：

其中，选择B大于或等于ρ＝2L/T的新息率进行均匀采样，通过Sinc采样核可以获取被采样信号的基带频谱信息从而为后续信号重建工作做准备；

步骤三，电磁层析成像系统一维图像信号的有限新息率信号采样过程：在对每个输入信号g(t)用Sinc采样核h(t)进行滤波之后，以ts为采样间隔进行均匀采样，得到样本ym，然后按照如下公式从样本ym中获得傅立叶级数系数G[k]：其中k＝‑K,…,K，K＝BT/2；m＝0,1,…,M‑1，M为样本总数，ts＝T/M是均匀采样的时间间隔，原始信号经过采样得到样本ym，ym通过离散傅立叶变换提取傅立叶级数系数G[k]得到信息；

步骤四，电磁层析成像系统图像信号的重构过程：通过对原始信号建模及采样获取频谱信息后对所得信息进行分析得到新的测量方程并通过求解稀疏解得到重建后的图像信号。

2.如权利要求1所述的一种基于频谱特性的电磁层析成像图像重建方法，其特征在于，所述步骤四的过程如下：

步骤4.1，根据采样所得频谱信息建立新测量方程：采样阶段之后，从样本ym中得到输入信号的傅立叶级数系数G[k]，按单周期[0,T)计算，G[k]表示为：由于实际中噪声的存在，通过对模拟时间轴以Δ＝T/N的时间间隔进行量化，将模拟时间t近似为t＝nΔ，其中n＝0,1,…,N‑1，未知参数的时间延迟tl近似为tl＝nlΔ，则公式(6)近似为：

其中，nl∈{0，1,…,N‑1}为时间延迟tl的离散数值，则测量值看作：步骤4.2，根据信号的稀疏性建立新的测量方程：在一个周期[0,T)内，忽略量化噪声的情况下，得到一个完整的模拟时间集U＝{0,Δ,2Δ,…,(N‑1)Δ}，则时间延迟参数集V＝{n0Δ,n1Δ,…,nL‑1Δ}构成了一个更小的子集U，即 其中L＜＜N，最终公式(8)改写为：

T

其中[g0,g1,…,gN‑1]是一个N×1矢量，由L振幅参数 和N‑L零值组成，目标是从测T

量值中找到向量[g0,g1,·,gN‑1]的非零部分，为了简单起见，公式(9)改写为：U＝Cg               (10)T Q×1

其中U＝[G1[‑K],·,G1[K]]∈R 是测量向量，Q＝2K+1；C是由集合 组T

成的Q×N矩阵，g＝[g1,g2,…,gN]是电磁层析成像的一个N×1灰度向量；

步骤4.3，给定公式(11)：

V＝Sg          (11)将两个测量方程进行重组：结合公式(10)和(11)，电磁层析成像系统的测量方程重新描述为：

设新的测量向量为λ＝[V；U]，新的灵敏度矩阵为Φ＝[S；C]，公式(5)简化为：λ＝Φg          (13)其中，λ是(D+Q)×1的向量，Φ是(D+Q)×N的矩阵；

步骤4.4，针对测量方程解的稀疏性选择OMP算法进行稀疏解求解过程得到重构后的图像信号：正交变换可以将信号g转化为稀疏信号，正交变换过程描述为：g＝Ψs             (14)结合公式(13)，公式(14)改写为：λ＝ΦΨs        (15)由于信号是稀疏的，求解稀疏解的最直接的方法就是求解L0范数最佳化问题：其中L0范数||s||0表示向量s中非零系数的个数，再利用正交匹配追踪算法OMP迭代寻找λ和ΦΨ的列之间的最大相关性来找到s的非零部分以求解L0范数最优化问题；

步骤4.4，利用稀疏解重构原始图像：在求解稀疏信号s之后，原始图像信号估计为：其中Ψ′是矩阵Ψ′的逆。