1.一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：包括如下步骤：步骤S1、模拟有限角度采样下金属影响的CT投影数据，即获得有限角度采样且含金属迹的正弦图，并对投影数据进行滤波反投影FBP操作，得到待重建的CT图像初始估计；

步骤S2、将待重建的CT图像进行分解，得到卡通分量和纹理分量图像；

步骤S3、建立基于卡通分量和纹理分量的优化模型；

步骤S4、对构建的优化模型进行交替迭代最小化求解，分别对卡通分量、纹理分量和CT图像进行迭代更新；

步骤S5、输出重建的高精度CT图像。

2.根据权利要求1所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：所述步骤S1中模拟有限角度CT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扫描；其次探测器接收得到投影数据；规定全采样投影数据大小为360×641，其中360和641分别表示投影视图和探测器数目，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大小为120×641的有限角度含金属迹的投影数据，即有限角度为0到120度。

3.根据权利要求2所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：步骤S1中对下采样得到有限角度采样含金属迹的正弦图slama，通过FBP算法得到含大量伪影的CT图像xlama作为待重建CT图像的初始值，表示为xlama＝FBP(slama)。

4.根据权利要求1所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：步骤S2中将待重建的CT图像x分解为卡通分量u和纹理分量v，即x＝u+v，同时，使用综合稀疏表示将纹理分量建模为： 其中， 表示卷积滤波器，为稀疏特征图。

5.根据权利要求1所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：步骤S3中建立基于卡通分量和纹理分量的优化模型的过程为：首先，建立LAMAR优化模型，公式如下：

其中，*表示卷积操作，||·||1表示l1范数，λ1和λ2表示权衡参数，紧框架W满足紧属性e为单位向量，通过交错稀疏特征图 来构建全局表示系数向量α＝(α1,Nmα1,…,αNm)∈R ；

n×m

其次，设计一个由局部字典DL∈R 的N个移位构成的全局卷积字典其中局部字典DL的列向量为 则基于卡通分量和

纹理分量的优化模型为：

6.根据权利要5所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：步骤S4利用交替迭代方法来求解构建的优化模型：在第t次迭代时,u、Dc和α交替更新如下：

更新u，给定噪声图像 经过紧框架滤波后的图像可表示为：其中，soft(u,ε)＝sign(u)max(|u|‑ε,0)表示软阈值函数，利用一种深度阈值网络DTN从噪声图像 中自适应学习阈值，即 f(·)表示提出的DTN，更新α,Dc，式<4>可以通过迭代求解表示系数α和卷积字典Dc两个子问题来解决；使用邻近梯度下降算子更新表示系数α，第k+1次迭代为：(k)

其中，ζk表示阈值；L是卷积字典Dc 的最大特征值；使用Ak和Bk来参数化K个邻近梯度下降算子来构建深度字典网络，其中Ak和Bk分别为可学习的解析和综合卷积算子：则：

t

其中 使用DTN网络从 中自适应学习阈值； 卷积字典Dc在训练阶段通过反向传播进行学习，

更新x：

t t t

x＝u+v           <9>。

7.根据权利要5所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：使用图像损失和卡通分量损失以及纹理分量损失来约束输出结果，损失函数为：其中，xgt、ugt、vgt分别对应真实CT图像及其卡通分量、纹理分量；ω1、ω2是平衡不同损失项的权重参数；mask是二进制非金属掩膜，金属区域等于1，非金属区域为0，⊙表示逐元T T T素相乘；x、u和v分别表示最后一个阶段重建的CT图像、卡通分量和纹理分量。

8.根据权利要求5所述的一种卡通纹理字典网络的有限角度CT金属伪影校正方法，其特征在于：步骤S4中利用交替迭代算法对优化模型进行求解，并将迭代过程展开成为深度神经网络，深度展开网络由T个阶段组成，对应于迭代算法的T次迭代，每个阶段均包含U‑0

Net和V‑Net，U‑Net由具有自适应阈值的紧标架构成，V‑Net采用深度字典网络架构；其中xt t t＝xlama，u和v分别基于式<5>和<8>由U‑Net与V‑Net更新，x由式<9>更新。