1.一种基于双残差网络的低剂量CT牙齿图像去噪方法，其特征在于按照如下步骤进行：

01部分，取BSD500数据集的灰度图像，在进入网络模型之前进行预处理操作，具体步骤如下：步骤C011：导入BSD500数据集的灰度图像，分别为500张预处理图像和500张真实图像，各500张灰度图像中432张做训练集，68张做测试集，预处理图像数据集记为Pre_Image，用于验证的真实图像数据集记为Real_Image；500张预处理图像分别记为Pre_Image1，Pre_Image2，…，Pre_Image500；500张真实图像分别记为Real_Image1，Real_Image2，…，Real_Image500；

步骤C012：将500张预处理图像和500张真实图像切块，块的大小为48*48像素，将预处理图像与真实图像所切的块分别记为预处理图像块Pre_P1，Pre_P2,…,Pre_Pn和真实图像块Real_P1，Real_P2,…,Real_Pn；

步骤C013：将预处理图像块Pre_P1，Pre_P2,…,Pre_Pn分别加入σ值为50的高斯噪声，记为噪声图像块Noise_P1，Noise_P2,…,Noise_Pn；

步骤C014：每次随机选取16000个噪声图像块和16000个真实图像块输入网络，其中噪声图像块记作Noise_Pi，真实图像块记作Real_Pi，1≤i≤16000；

02部分，训练辅助网络20次，为双残差网络去噪提供数据，具体步骤如下：

步骤C021：取单通道的真实图像块Real_Pi，输进网络；

步骤C022：开始训练 M＝16000对应的线性关系模型Model1，约

定变量epoch_pro为辅助网络循环训练的次数，初始为0；

所述模型Model1的目标函数定义为： 式中 为真实

图像块Real_Pi，L(·)为损失函数，f(·|Φ)表示带有Φ参数化的辅助网络，λR(Φ)是一个带有参数Φ和λ的正则化项，所述λ>0；

步骤C0221：进入浅层特征提取层，记为Conv_pro1层；Conv_pro1层由64个3*3大小的滤波器组成，真实图像块Real_Pi经过Conv_pro1层后，得到64个通道的浅层特征空间图，记为Real_proPi_fm1；

步骤C0222：进入深层特征提取层，记为Deep_proRes2层；Deep_proRes2层中包含5个残差组和一个卷积层以及一个长跳跃连接；每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接；其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成；浅层特征空间图Real_proPi_fm1经过Deep_proRes2层后，得到64个通道的深层特征空间图，记为Real_proPi_fm2；

步骤C0223：进入重构层，记为Conv_pro3层；Conv_pro3层由1个3*3大小的滤波器组成，深层特征空间图Real_proPi_fm2经过Conv_pro3层后，得到重构特征空间图，记为Real_proPi_fm3；

步骤C023：求重构特征空间图Real_proPi_fm3和真实灰度图像块Real_Pi之间的差异，通过L1 Loss计算方法可得相应的损失函数值，记为loss_pro，置epoch_pro＝epoch_pro+

1；若loss_pro值小于0.01或者训练次数epoch_pro达到20，网络停止训练，保存训练模型model_pro.pt文件；否则将loss_pro值反向传播，通过ADAM优化算法重新更新参数，再一次进入步骤C022，循环重复训练；

03部分，利用双残差网络中得到的特征空间图的差异，进行去噪处理，具体步骤如下：

步骤C031：取单通道的噪声图像块Noise_Pi和单通道的真实图像块Real_Pi；

步骤C032：构建与训练辅助网络Model1结构一致的新辅助网络模型Model1*，将新辅助网络模型Model1*的参数替换为020部分训练辅助网络Model1得到的model_pro.pt模型和参数，并且固定该新辅助网络模型Model1*的参数不再更新；

步骤C033：开始训练去噪网络 M＝16000对应的线性关系模型

Model，约定变量epoch为双残差网络循环训练的次数，初始化为0；

所述模型Model的目标函数定义为：

式中 为真实图像

块Real_Pi， 为噪声图像块Noise_Pi，Ω为层索引，L(·)为损失函数， 为通过第j个隐藏层得到的特征空间图的损失函数，fj(·)表示第j个隐藏层之前的网络，λR(θ)是一个带有参数θ和λ的正则化项，所述λ>0；

步骤C0331：将噪声图像块Noise_Pi输入去噪网络Model；

步骤0332：进入浅层特征提取层，记为Conv1层；Conv1层由64个3*3大小的滤波器组成，噪声图像块Noise_Pi经过Conv1层后，得到64个通道的浅层特征空间图，记为Noise_Pi_fm1；

步骤0333：进入深层特征提取层，记为Deep_Res2层；Deep_Res2层中包含5个残差组和一个卷积层，以及一个长跳跃连接；每一个残差组中包含10个带有通道注意机制的残差块和一个短跳连接；其中残差块是由两个卷积层和Relu激活层以及跳跃连接构成；浅层特征空间图Noise_Pi_fm1经过Deep_Res2层后，得到64个通道的深层特征空间图，记为Noise_Pi_fm2；

步骤0334：进入重构层，记为Conv3层；Conv3层由1个3*3大小的滤波器组成，深层特征空间图Noise_Pi_fm2经过Conv3层后，得到重构特征空间图，记为Noise_Pi_fm3；

步骤C034：将真实图像块Real_Pi输入到经过步骤C032的新辅助网络模型Model1*，经过Conv_pro1层、Deep_proRes2层和Conv_pro3层，分别得到特征空间图Real_proPi_fm1、Real_proPi_fm2、Real_proPi_fm3，即步骤C035：通过去噪网络和新辅助网络之间的特征空间求总损失函数值，进行反向传播；

步骤C0351：求经过步骤C033得到的重构特征空间图Noise_Pi_fm3和真实图像块Real_Pi之间的差异，通过L1  Loss计算方法可得相应的损失函数值，记为loss1，即步骤C0352：将经过辅助网络和去噪网络中Conv_pro1层和Conv1层、Deep_proRes2层和Deep_Res2层分别得到特征空间图Real_proPi_fm1、Real_proPi_fm2和Noise_Pi_fm1、Noise_Pi_fm2，求取特征空间图的差异，通过MSELoss计算方法可得相应的损失函数值，分别记为loss2和loss3，即步骤C0353：计算总损失函数值Loss，即：Loss＝loss1+loss2+loss3，同时置epoch＝epoch+1；若Loss值小于5.0或者训练次数epoch达到规定值300次，网络停止训练，保存训练模型model.pt文件，同时保存测试集BSD68的去噪结果图像、Loss值和PSNR数据；否则将Loss值反向传播，通过随机梯度下降方法重新更新参数θ，第l层的梯度下降表示为：再一次进入步骤C033，循环重复训练；

04部分，将低剂量CT牙齿图像输入训练好的去噪网路模型中，得到清晰图像，具体步骤如下：步骤C041：将030部分中得到的去噪网络模型model.pt文件导入到测试代码中；

步骤C042：将测试图像低剂量CT牙齿图像输入该模型中，得到清晰图像，并保存。