1.一种基于最小一乘的稀疏采样傅里叶叠层成像人工神经网络重建方法，其特征在于，包括：获取稀疏待重建的图像，对获取的稀疏待重建的图像进行采样，得到低分辨率子图像；将得到的所有低分辨率子图像输入训练好的人工神经网络中，得到重建后的超分辨率图像；

对人工神经网络进行训练的过程包括：

S1：获取原始图像数据集，对原始图像数据集中的各个图像数据进行间隔采样，得到低分辨率子图像；将得到的低分辨率子图像进行划分，得到训练集和测试集；

S2：构建人工神经网络；采用人工神经网络模型对训练集中的低分辨率子图像进行处理，得到图像的强度；具体为：获取低分辨率子图像的大小，并提取低分辨率子图像的初始特征，对获取的初始特征进行傅里叶正变换；获取低分辨率子图像的频域中心原点；采用二维fftshift操作对频域中心原点、初始特征的傅里叶正变换以及低分辨率子图像的大小进行处理，对处理结果进行裁剪，得到裁剪后的图像进行傅里叶逆变换，得到低分辨率子图像的出射波；根据出射波计算低分辨率子图像的强度；

低分辨率子图像的出射波的公式为：

其中，V表示输入低分辨率子图像， 和 分别表示二维傅里叶正变换和逆变换， 为二维fftshift操作，Crop为图像裁剪操作，(kx,ky)表示低分辨率子图像的频域中心原点坐标，(Nx,Ny)表示低分辨率子图像的大小；

低分辨率子图像的强度的公式为：

其中，Ψexit表示低分辨率子图像的出射波， 表示卷积运算，LF表示镜头传递函数；

S3：根据重构后的傅里叶叠层图像的强度构建模型损失函数；对模型的损失函数进行求解得到损失函数值；其中对损失函数进行求解等价于求解有稀疏约束的最小一乘问题；

其中模型的损失函数为：

其中，Ji为测量图像，TV为全变差函数，λ为平衡数据项和约束项权重系数，n为训练人工神经网络所使用低分辨率图像数目；

S4：采用随机梯度下降优化方法对损失函数进行优化；其优化公式为：其中，V表示输入低分辨率子图像， 为利用神经网络误差反向传导求解的偏导，α为学习率；

S5：将训练集中的所有数据都输入模型中进行迭代，当迭代完成后，得到重建的高分辨率图像的幅度和相位信息，完成模型的训练。