1.一种压缩成像的块循环结构测量矩阵优化设计方法，其特征在于，方法包括：步骤S1：将待重构图像总像素数记为n；步骤S2：构建包含N个粒子的粒子群，每个粒子为随机生成的一个维度为1×n的自由元向量和一个维度为1×n的速度向量，其中，自由元向量为用于构造块循环测量矩阵的向量；初始化当前迭代次数d为1；步骤S3：基于各个粒子当前的自由元向量确定当前的块循环测量矩阵，计算当前的块循环测量矩阵对应的Gram矩阵；使用基于Gram矩阵构建的目标函数计算各个粒子的适应度；基于各个粒子当前的自由元向量和适应度确定并更新每个粒子对应的局部最优自由元向量，确定各个粒子的惯性权重；从全部局部最优自由元向量中确定全局最优自由元向量；基于各个粒子当前的自由元向量、当前速度向量及惯性权重，确定各个粒子在当前迭代次数取值为d+1时对应的当前的自由元向量和当前速度向量；步骤S4：若未达到终止条件，将d赋值为d+1，进入步骤S3；否则，进入步骤S5；步骤S5：基于全局最优自由元向量确定待压缩采样对应的块循环测量矩阵，基于块循环测量矩阵重构图像。
2.如权利要求1所述的方法，其特征在于，所述步骤S2中，构建包含N个粒子的粒子群，每个粒子为随机生成的一个维度为1×n的自由元向量和一个维度为1×n的速度向量，包括：所述待重构图像总像素数为n=r×c，r和c分别是待重构图像的行数和列数；则压缩采样比CR=m/n,m是采样数；确定压缩采样对应的块循环测量矩阵的尺寸为m×n；基于块循环测量矩阵的尺寸，初始化 N 个维度为1×n的自由元向量组成粒子群 ，为每个粒子初始化一个维度为1×n的向量作为该粒子的速度向量，全部速度向量组成集合 ，其中N为粒子群中粒子数， 为粒子群中第 i 个粒子， 是第 i 个粒子的速度向量；确定块循环测量矩阵的子矩阵块大小为q×q，其中，q的取值为m、n的一个公约数,确定子矩阵块的个数k= n/q。
3.如权利要求2所述的方法，其特征在于，所述步骤S3中，基于各个粒子当前的自由元向量确定当前的块循环测量矩阵，计算当前的块循环测量矩阵对应的Gram矩阵，包括：计算当前的块循环测量矩阵与图像重构所需的稀疏变换矩阵的乘积，得到矩阵 ， 为块循环测量矩阵， 为稀疏变换矩阵， 为实数集；计算矩阵 的列归一化矩阵 ，当前的块循环测量矩阵对应的Gram矩阵为 ，且 。
4.如权利要求3所述的方法，其特征在于，所述步骤S3中，目标函数J为：其中，H为目标矩阵， 为Welch界， s 、 t 分别为目标矩阵H的元素的行值和列值， 是Frobenius范数， 为目标矩阵H第 s 行、第 t 列的元素， 为Gram矩阵G第 s 行、第 t 列的元素，块循环测量矩阵的列数等于n，块循环测量矩阵的行数等于m，sign函数为符号函数。
5.如权利要求4所述的方法，其特征在于，所述步骤S3中，惯性权重的计算公式为：其中， 为第i个粒子在当前迭代次数取值为d时的惯性权重， 为介于(0,1]之间的常数， 为个体寻优能力系数， 为当前迭代次数取值为d时的第i个粒子， 为当前迭代次数取值为d时第i个粒子的局部最优自由元向量， 为当前迭代次数取值为d时的全局最优自由元向量； 为正数，用于防止分母为0。
6.如权利要求5所述的方法，其特征在于，所述步骤S3中，基于各个粒子当前的自由元向量、当前速度向量及惯性权重，确定各个粒子在当前迭代次数取值为d+1时对应的当前的自由元向量和当前速度向量，其中：其中， 、 分别为介于[0,1]之间的第一随机数、第二随机数； ， 分别是第一学习因子和第二学习因子， 和 为在当前迭代次数取值为d+1时的粒子和当前速度向量， 和 为在当前迭代次数取值为d时的粒子和当前速度向量； 为在当前迭代次数取值为d时第i个粒子的惯性权重。
7.如权利要求6所述的方法，其特征在于，所述步骤S4中的终止条件为 其中，在d-1等于0时， 为初始化的全局最优自由元向量， 为设定的阈值， 为范数运算。
8.如权利要求7所述的方法，其特征在于，所述步骤S5，基于全局最优自由元向量确定待压缩采样对应的块循环测量矩阵，包括：把全局最优自由元向量中的所有元素按照顺序分成k份，每份包含q个元素；利用每份中的q个元素生成子循环矩阵块，再将每个子循环矩阵块组合成待压缩采样对应的块循环测量矩阵。
