1.基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，首先基于MNSIT数据集，通过用Hadamard矩阵做为改进随机相位掩模来得到计算鬼成像，其次对残差网络的结构进行了调整，通在原有的基础上添加了instance layer和增加了网络的深度、特征层的深度，并运用计算鬼成像图像和它们的原始图像对网络进行训练，最后在测试集中得到了实验的泛化效果。

2.根据权利要求1所述的基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，具体步骤如下：

步骤1，获取MNSIT数据集，按照全连接的结构得到MNSIT数据集的鬼成像图像数据集；

步骤2，通过步骤一将MNSIT数据集做成我们需要的数据集，在这些数据集上我们分别训练Resnet网络；

步骤3，通过基于像素的空间注意力机制进行多尺度特征融合；

步骤4，在测试集上测试数据，并对比结果，我们可以将随机相位掩模的个数减少到

5％。

3.根据权利要求2所述的基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，所述步骤1中：鬼成像O(x,y)结果通过以下公式表示：O(x,y)＝<δSδIr(x,y)>(2)，公式(2)中<·>为系综平均，

公式(3)中Br可以通过桶探测器得出，公式(5)中z表示光的传播距离，λ是激光的波长，Er是SLM的复振幅。

公式(6)中 是随机相位掩模。这里我们的随机相位掩模由随机Hadamard矩阵生成。

最后鬼成像O(x,y)的结果由公式(7)表示。

4.根据权利要求2所述的基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，所述步骤2中：在步骤一的到的数据集上训练Resnet网络,基于Resnet网络的计算鬼成像重建恢复方法其过程是：

将输入的x进行卷积处理，Conv模块为卷积模块，此模块中包含了一个卷积层，一个normalization层和一个激活函数，先对输入进行卷积操作，再进行一个正则化，最后使用激活函数，循环该上述操作就是该模块过程。

5.根据权利要求4所述的基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，所述激活函数都为relu函数。

6.根据权利要求2所述的基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，所述步骤2中：其中正则化normalization的公式为其中γ和β都是超参数。

7.根据权利要求2所述的基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，所述步骤2中：由于非常深的网络很难训练，存在梯度消失和梯度爆炸问题，学习skip connection它可以从某一层获得激活，然后迅速反馈给另外一层甚至更深层，使用skip connection来构建残差网络Resnet来训练更深的网络；skip connection是通过concat方式连接的相邻的网络层。

8.根据权利要求2所述的基于Resnet网络的计算鬼成像重建恢复方法，其特征在于，所述步骤3中：首先通过全局池化将物体的原始特征映射到低维上并对每个特征进行特征表示，通过低维特征的自适应选择来选取感兴趣的特征层，将得到的感兴趣的特征层和原始特征的低维抽象的物体遮面相结合，得到自适应选择的感兴趣的物体遮面，其次，选取通过注意力机制选取感兴趣的像素级遮罩，通过这两部分，可以对不同特征的每一个像素进行定位和选取，最后对原始特征进行空间像素级聚焦。