1.一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于包括以下步骤：S1，模拟稀疏角度采样下受射束硬化影响的投影数据，即获得稀疏采样且含金属迹的正弦图样；

S2，对稀疏正弦图插值处理得到全采样尺寸的正弦图，并将该正弦图作为正弦域的初始正弦图；

S3，根据伪影的可加性性质，对含大量伪影的CT图像进行初步分解，得到图像域的初始估计图像和伪影域的初始伪影图像；

S4，建立多域优化模型，对构建的多域优化问题进行交替迭代最小化求解；

S5，分别对正弦域、图像域和伪影域进行迭代更新；

S6，输出重建的高精度CT图像。

2.根据权利要求1所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S1中模拟SVCT数据采集，首先模拟X射线束对含金属植入物的待测物体进行稀疏角度扫描；其次在穿透过程中射线强度发生不同程度衰减；最后由探测器接收得到高度不完备的投影数据；规定以360×641大小的投影数据为全采样投影数据，即在0到360度之间均匀地采样360个投影视图，通过下采样的方式得到欠采样率为×6，×4，×2的投影数据，即投影视图大小分别为60×641，90×641，180×641。

3.根据权利要求2所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S1中基于稀疏角度CT设备成像系统的投影数据主要特征有：投影数据的y轴代表投影视图的个数，投影数据的x轴代表探测器元件的数量。

4.根据权利要求1所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S2通过对测量的投影数据y进行预处理，获得全视图采集数据ya，插值模型描述为ya＝U(y)，其中U(·)通过对输入正弦图进行零填充来扩大投影角度的数量，将其恢复为全采样正弦图的大小，使用线性插值LI方法校正正弦图的金属迹，以获得初始输入的正弦图 其公式为

5.根据权利要求4所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S3使用滤波反投影FBP从正弦图ya中获得具有严重伪影的CT图像xa，表示为xa＝FBP(ya)，根据金属伪影的加性性质，受伪影影响的CT图像可以分解为底层图像和伪影图像，因此xa可以进一步分解为其底层的CT图像和伪影图像；金属植入物的CT图像有两个区域：金属部分和非金属部分，由于金属通常比正常组织具有更高的CT值，分解模型可以推导为 其中m是二进制非金属掩模，金属掩膜区域等于0，其他区域为1，是底层的无伪影CT图像，是伪影图像，⊙表示元素乘积，通过以上图像预处理步骤，初步得到了正弦域、图像域和伪影域的初始输入图像 和

6.根据权利要求1所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S4多域优化模型的建立：受金属影响的归一化正弦图是均匀的，选择校正归一化正弦图，干净正弦图 可以写成 其中 是从先前正弦图获得的归一化系数，则是归一化正弦图,多域SVMAR优化问题公式化为其中m是二元金属掩膜，金属区域为0，非金属区域为1，tr为二元金属迹掩膜，金属投影区域为1，非金属投影区域为0，P为拉东变换，即正向投影，A为二元稀疏采样矩阵，其中稀疏采样采集到的部分为1，未采集部分为0，为归一化系数，||·||1表示l1范数，并且紧框架W满足紧属性

7.根据权利要求6所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：步骤S5具体过程为：利用交替迭代方法来求解定义的多域SVMAR优化问题，并利用近端算子来解决每个子问题，在第(t+1)次迭代时， 和 交替更新如下：固定 更新

对上式进行二次逼近并用近端算子表示后得到

其中 proxγ1η1()

为与正则化项R1(·)相关的近端算子。

固定 更新

类似地，的更新规则写为

其中 紧框架W满足紧性质

因此，式(5)可以表示为

其中soft(u,ε)＝sign(u)max(|u|‑ε,0)是软阈值函数，ε＝γ2η2是阈值。在本发明中，利用一种深度阈值网络(deep threshold network,DTN)来从伪影图像的系数自适应地确定阈值，即 f(·)表示提出的DTN。

固定 更新

类似地，的更新规则写为

其中

8.根据权利要求6所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：将多域知识包括正弦域、图像域、伪影域和编码域嵌入到多域优化模型和网络训练中，设计基于多域知识的损失函数为：2

其中ygt是干净的正弦图，xgt是真实CT图像，伪影基准图像为egt＝xa‑xgt。同时，ω1,ω ,ω3,ω4和ω5是五个权衡参数，为了学习紧标架W，第一项在要学习的标架上施加紧属性，而第二项施加编码域约束以促进紧标架上的伪影图像的稀疏性，第三和第四项使用网络输出和干净图像之间的l2损失和l1损失作为图像域约束，此外，第五和第六项分别使用l1损失和l2损失作为伪影域约束和正弦域约束，通过结合图像域，伪影域和正弦图域的知识来重建高质量的CT图像，其中在伪影域中使用具有自适应阈值的紧标架网络，并使用编码域约束恢复伪影的详细结构信息，以实现高质量的重建。

9.根据权利要求6所述的一种新型同时稀疏角度CT重建及金属伪影高精度校正方法，其特征在于：所述步骤S4中对构建的多域优化问题进行求解，该步骤的一个重要特征是利用交替迭代算法对其进行求解并分解为三个子问题，采用二次逼近和近端算子对构建的优化子问题进行求解，鉴于传统迭代算法的可解释性和深度学习良好的学习能力，将迭代算法展开成深度神经网络，其中每次展开对应于传统迭代算法的每次迭代，同时每一层由深度神经网络构建，其中，正弦域和图像域采用多个残差块堆叠，伪影域采用具有自适应阈值的紧标架表示模型，将上述交替迭代算法展开成网络，网络由T个阶段组成，对应于迭代算法的T次迭代，每个阶段包含Y‑Net、E‑Net和X‑Net；

其中， 和 分别基于式(3)、式(5)和式(8)由Y‑Net、E‑Net和X‑Net更新，Y‑Net和X‑Net包含多个残差块，E‑Net是包含深度阈值网络来自适应确定阈值的紧标架表示网络。