所属的技术人员知道，本申请可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件（包括固件、驻留软件、微代码等），还可以是硬件和软件结合的形式，本文一般称为“模块”或“系统”。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
背景技术：
1、压缩感知(compressed sensing)，也被称为压缩采样(compressive sampling)，稀疏采样(sparse sampling)，压缩传感。它作为一个新的采样理论，它通过开发信号的稀疏特性，在远小于nyquist 采样率的条件下，用随机采样获取信号的离散样本，然后通过非线性重建算法完美的重建信号。
2、传统压缩感知重构优化算法包括如匹配追踪、正交匹配追踪、迭代硬阈值、压缩抽样匹配搜索、近似消息传递、迭代软阈值等。此外，将总变差稀疏度、非局部稀疏度、块稀疏度、小波树稀疏度等精细结构作为原始图像信号的先验知识，有利于压缩感知图像重建。
3、zhang等人提出了一种新颖的结构化深度网络，称为ista-net，其灵感来自迭代收缩阈值算法(ista)用于优化一般 l1范数 cs 重建模型。使用非线性变换解决与稀疏性诱导正则化器相关的近端映射的有效策略。 ista-net中的所有参数（例如非线性变换、收缩阈值、步长等）是端到端学习的，而不是手工制作的。所提出的 ista-net大大优于现有最先进的基于优化和基于网络的压缩感知（cs）方法，对其优化形成ista-net+网络模型。但是：该网络不能灵活处理单一模块的多个压缩感知比率。
4、ali mousavi提出堆叠去噪自动编码器(sda)网络模型，是深度学习和压缩感知的首次结合。kulkarni提出了一种基于cnn的reconnet实现非迭代压缩感知图像重建。alimousavi使用堆叠降噪自编码器来学习cs测量值与图像块之间的映射。m. iliadis提出了深度全连接网络，其中编码器学习二进制感知掩码，解码器确定视频的重建。这些方法有效地避免了传统方法中昂贵的计算量，并取得了良好的图像/视频重建性能。
5、kulkarni etal提出了一种用于压缩感知图像重建的reconnet。但是：该网络由于采用分块压缩采样，会出现块效应噪声。
6、yao和dai等人又将残差学习的思想和reconnet结合，提出一种用于图像压缩感知重构的深度残差重构网络(dr2-net)。csnet模型由shi等人提出，将采样模块和重构网络联合一起训练。
7、guang yang等基于条件生成对抗网络的模型提出基于dagan的模型来重建cs-mri。设计了一种细化学习方法来稳定基于 u-net 的生成器，该生成器提供了一个端到端网络来减少混叠伪影。为了在重建中更好地保留纹理和边缘，还耦合了对抗性损失具有创新的内容损失。此外，还纳入频域信息以增强两者的相似性图像域和频域。
8、综上的现有技术中，常使用残差网络对图像块进行重构处理，但是残差网络一般只能提取到图像块的主要特征信息，使得最终获得的重构图像中包含的原图像的特征信息较少，造成最终获得的重构图像精度较低。
技术实现思路
1、为了克服现有技术中常使用残差网络对图像块进行重构处理，但是残差网络一般只能提取到图像块的主要特征信息，使得最终获得的重构图像中包含的原图像的特征信息较少，造成最终获得的重构图像精度较低的问题，本申请提供了一种图像重构方法、系统、设备及介质。
2、第一方面，为了解决上述技术问题，本申请提供了一种图像重构方法，包括：
3、步骤s1，对原始图像进行预处理，获得大小相同的多个测量图像块；
4、步骤s2，针对多个测量图像块中的每个测量图像块，对每个测量图像块进行线性映射，获得对应的初步重构图像块；
5、步骤s3，提取初步重构图像块的全局信息，获得对应的中间重构图像块；
6、步骤s4，将多个测量图像块对应的各个中间重构图像块进行合并，得到中间重构图像；
7、步骤s5，对中间重构图像进行去块滤波处理，获得目标重构图像。
8、第二方面，本申请还提供了一种图像重构系统，包括：
9、预处理模块，用于对原始图像进行预处理，获得大小相同的多个测量图像块；
10、线性映射模块，用于针对多个测量图像块中的每个测量图像块，对每个测量图像块进行线性映射，获得对应的初步重构图像块；
11、提取模块，用于提取初步重构图像块的全局信息，获得对应的中间重构图像块；
12、合并模块，用于将多个测量图像块对应的各个中间重构图像块进行合并，得到中间重构图像；
13、去块滤波模块，用于对中间重构图像进行去块滤波处理，获得目标重构图像。
14、第三方面，本申请还提供了一种计算设备，包括存储器、处理器及存储在存储器上并在处理器上运行的程序，处理器执行程序时实现如上述的一种图像重构方法的步骤。
15、第四方面，本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当指令在终端设备上运行时，使得终端设备执行一种图像重构方法的步骤。
16、本申请的有益效果是：通过对预处理后的多个测量图像块进行线性映射，获得多个初步重构图像块，提取每个初步重构图像块的全局信息，使得获得的中间重构图像能够包含测量图像块的全部特征信息，从而能够提高得到的目标重构图像的精度。
1.一种图像重构方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述预处理包括图像分割处理和压缩感知处理，所述对原始图像进行预处理，获得大小相同的多个测量图像块，包括：
3.根据权利要求2所述的方法，其特征在于，所述针对所述多个原始图像块中的每个原始图像块，对所述每个原始图像块进行压缩感知处理，获得对应的测量图像块，包括：
4.根据权利要求1所述的方法，其特征在于，所述针对所述多个测量图像块中的每个测量图像块，对所述每个测量图像块进行线性映射，获得对应的初步重构图像块，包括：
5.根据权利要求1所述的方法，其特征在于，所述提取所述初步重构图像块的全局信息，获得对应的中间重构图像块，包括：
6.根据权利要求1所述的方法，其特征在于，所述将所述多个测量图像块对应的各个所述中间重构图像块进行合并，得到中间重构图像，包括：
7.根据权利要求1至6任一项所述的方法，其特征在于，所述对所述中间重构图像进行去块滤波处理，获得目标重构图像，包括：
8.一种图像重构系统，其特征在于，包括：
9.一种计算设备，包括存储器、处理器及存储在所述存储器上并在所述处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的一种图像重构方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有指令，当所述指令在终端设备上运行时，使得所述终端设备执行如权利要求1至7任一项所述的一种图像重构方法的步骤。
