1.一种基于深度学习的大尺寸二维计算全息图实时生成方法，其特征在于，包括以下步骤，利用分解法将待处理大尺寸目标图像沿横向和纵向等分成若干份，得到若干个子目标图像；之后利用带宽补偿和空间位移补偿来确保子图像块在全息平面中的正确映射；

在消除了图像块之间的数据依赖性后，对每个子目标图像块进行处理；利用深度学习中U-net架构通过非迭代生成经过补偿后得到图像块对应的子子全息图，再利用空间移位将同一图像块在不同空间位置生成的子子全息图合成为一幅子全息图；

最后将不同图像块对应的子全息图进行复振幅叠加并提取相位得到最终全息图；

利用分解法将待处理大尺寸目标图像沿横向和纵向等分成若干份，得到若干个子目标图像；之后利用带宽补偿和空间位移补偿来确保子图像块在全息平面中的正确映射；具体包括：设计算N×N大小的二维大尺寸数据的CGH，需要对一个N×N大小的二维目标进行FFT操作，对于二维离散傅里叶变化，其中N个数据点相互依赖；

将对象分解为K个子对象，针对每个子对象进行二维傅里叶变换，通过以K为周期，划分成K个子周期，使其仅在ΔfP

其中，F(nΔf

所有Δk个子对象都在中心被重建，为了将它们移回原来的位置，针对这里存在的差值项，采用使其与相位补偿项数之间相乘，如下所示；

Lp1＝exp[-i(kΔKpΔx+jΔJqΔy)]

Lp2＝exp[-i(s

其中，F(nΔf

2.根据权利要求1所述的深度学习的大尺寸二维计算全息图实时生成方法，其特征在于：在消除了图像块之间的数据依赖性后，对每个子目标图像块进行处理；利用深度学习中U-net架构通过非迭代生成经过补偿后得到图像块对应的子子全息图，再利用空间移位将同一图像块在不同空间位置生成的子子全息图合成为一幅子全息图，具体包括：全息编码器的编码器部分采用U-Net结构实现，U-Net网络包括卷积层、最大池化层即下采样区、反卷积层上采样区以及ReLU非线性激活函数，整个网络分为若干层，利用端到端的映射，每一层都有对应的上采样以及下采样区，每一层的输入对应的输出都作为下一层的输入，在上采样过程中用到了下采样的结果；

首先将目标图像输入U-net，后来通过U-net结构输出预测相位获取子子全息图，最终通过合成与叠加获取原大尺寸数据的实时全息图。

3.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1或2中任一项所述方法的步骤。