1.基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，具体按照以下步骤实施：步骤1，利用相位掩模照射在目标物体上，通过桶探测器获得总光强，将所述总光强和对应相位掩模输入到convGRU网络中，模拟关联成像过程，直到convGRU网络的损失函数保持稳定；

步骤2，将步骤1的输出结果输入到U‑Net网络中来进行图像增强，直到convGRU‑U‑Net网络的损失函数保持稳定，获得计算鬼成像的成像结果。

2.根据权利要求1所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，步骤1具体为：

利用Hadamard矩阵生成的相位掩模作为随机相位掩模，具体表述如下：H1＝[1]      (1)，

式(1)、(2)、(3)中， 为克罗内克积；n代表阶数；HN为N阶Hadamard矩阵的结果；

将所述随机相位掩模依次投影到目标物体上，通过桶探测器获得总光强，其中，第t张相位掩模得到的总光强为Bt；对所述总光强进行repeat操作，使其变为一个大小为32*32的图像，将所述图像和其对应的相位掩模均作为convGRU神经元当前状态下的输入。

3.根据权利要求2所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，将步骤1处理好的相位掩模xt及其对应的桶探测器值Bt输入到convGRU网络中；与其上一个时刻的神经元输出结果ht‑1均作为当前时刻convGRU神经元的输入；convGRU神经元的前向传播公式如下：

zt＝σ(Wz*[ht‑1，xt]+bz)    (4)，rt＝σ(Wr*[ht‑1，xt]+br)    (5)，式(4)、(5)、(6)、(7)中，zt为更新门；ht‑1为t‑1时刻的神经元输出；xt为处理后的相位掩模；rt为重置门； 为中间状态；ht为t时刻convGRU的输出结果；WZ是对于z的卷积操作的权重矩阵；bz是对于z的卷积操作的偏移矩阵； 是对于 的卷积操作的权重矩阵； 是对于 的卷积操作的偏移矩阵；Wr是对于r的卷积操作的权重矩阵；br是对于r的卷积操作的偏移矩阵；

将输入结果合并，然后进行卷积操作，再通过layer normalization和relu激活函数得到重置门和更新门，将rt与ht‑1的点乘结果、xt和Bt均作为输入，进行卷积操作，并通过LN和sigmoid激活函数得到当前状态下的输出结果。

4.根据权利要求3所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，所述convGRU网络中包含N个神经元，每经过一次convGRU神经元相当于一次采样，即采样N次，convGRU网络最终输出的结果就为N次采样后关联计算的结果。

5.根据权利要求3所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，在步骤2中，除了第一个神经元之外的每个神经元的输入均包括上一个神经元的输出、当前时态下的相位掩模和对应的经过repeat处理后的桶探测器值。

6.根据权利要求1所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，convGRU网络的损失函数表示如下：2

LconvGRU＝∑i∑j(xi，j‑genei，j)    (8)，式(8)中，gene为convGRU网络的生成结果；x代表的目标图像。

7.根据权利要求1所述的基于convGRU‑U‑Net的计算鬼成像重建算法，其特征在于，convGRU‑U‑Net网络的损失函数表示如下：2

LconvGRU＝∑i∑j(xi，j‑resulti，j)     (9)，式(9)中，result为整个网络的最终结果。