1.基于隐式神经表示的低剂量稀疏视图SPECT重建和图像去噪方法，其特征在于，包括如下步骤：S1：将低剂量、噪声高稀疏视图在世界坐标系下的三维坐标通过小波级数映射为高频特征，并进行频率正则化；

S2：将经过小波级数映射和频率正则化的稀疏视图输入到全连接多层感知器中，在低维问题域中学习高频函数；

S3：通过最小化真实投影和合成投影之间的误差来训练网络，预测时生成不包含训练视图的密集的视图；

S4：将训练时的稀疏视图和生成的密集视图相结合，通过Preconditioned Alternating Projection Algorithms重建算法实现低剂量高噪声稀疏视图的SPECT重建；

S5：在图像去噪部分，其中使用了第一部分的全连接多层感知器权重参数，作为当前的网络的预训练权重，通过惩罚更深层权重的增长来最大化隐式神经表示的固有去噪能力，实现高质量的SPECT图像的去噪。

2.根据权利要求1所述基于隐式神经表示的低剂量稀疏视图SPECT重建和图像去噪方法，其特征在于，所述步骤S1具体过程如下：3

S21：将三维空间坐标x＝(x,y,z)∈R 进行归一化，然后使用了具有不同频率的haar小波级数来将归一化的三维坐标映射到更高维的空间，在一些实例中，小波级数映射可以表达如下：其中L表示是控制最大编码频率的超参数，当L等于6时，k有32种情况，分别为0,

1...31，将输入点输入到小波函数中，

其中haar小波函数表达公式为：

将x’＝[x,γL(x)]拼接，则将3维的输入点映射到192维的高频特征，应用于MLP的输入；

S22：在给定x’＝[x,βL(x)]的位置编码，基于训练时间步长，使用线性递增的频率掩码α来调节可见频谱，如下所示:γ’L(t，T；x)＝γL(x)⊙α(t，T，L，)

其中

其中αi(t,T,L,)为α(t,T,L,)的第i位值；t和T分别为频率正则化的当前训练迭代和最终迭代，具体地，从没有位置编码的原始输入开始，随着训练的进行，每次线性增加3位的可见频率，频率正则化绕过了训练开始时不稳定、易受影响的高频信号，逐步提供SPECT投影视图的高频信息，避免过平滑。

3.根据权利要求1所述基于隐式神经表示的低剂量稀疏视图SPECT重建和图像去噪方法，其特征在于，所述步骤S2全连接多层感知器网络包括8个全连接层，其中所述全连接多层感知器网络的第1层和第4层具有不同于全连接多层感知器网络的其他层的神经元数量，并且所述全连接多层感知器网络的其他层每层有256个神经元，除了最后一层外，每个完全连接层后面都有周期性sin激活函数。

4.根据权利要求1所述基于隐式神经表示的低剂量稀疏视图SPECT重建和图像去噪方法，其特征在于，所述步骤S3中的真实投影Ir和合成投影Is之间的损失函数为：其中，投影I可以用 来表示，I0为初始强度，δi为相邻点之间

的距离，其中B为一批gamma射线，在训练过程中更新全连接多层感知器网络参数θ。

5.根据权利要求1所述基于隐式神经表示的低剂量稀疏视图SPECT重建和图像去噪方法，其特征在于，所述步骤S4中通过Preconditioned  Alternating Projection Algorithms重建算法得到其对应的SPECT图像。

6.根据权利要求1所述基于隐式神经表示(INR)的低剂量稀疏视图SPECT重建和图像去噪方法，其特征在于，所述步骤S5中的去噪算法，其中使用了第一阶段的全连接多层感知器权重参数，作为当前的网络的预训练权重，当训练时通过全连接多层感知器生成的图像与目标噪声图像之间的均方误差(MSE)小于目标图像估计的噪声水平时停止训练，其中均方误差的表示为：其中C为噪声图像中所有像素坐标对的集合；假设使用128×128获取图像像素，例如，坐标对设置可以是网格：其中，每对表示像素的中心坐标，

只要INR生成的图像和目标噪声图像之间的均方误差(MSE)小于从目标图像估计的噪声水平时就停止训练,即满足其中 表示图像函数g的噪声功率，该停止准则的设计考虑了理想情况，其中隐式神经表示偏置提供了图像和噪声拟合的完美时间分离，实际上，如果全连接多层感知器生成的图像与干净图像完全相同，则停止准则将满足相等；

此外，为了加强隐式神经表示偏差，在最后两层的全连接感知器上选择性地应用权重衰减。