1.一种基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，包括以下步骤：

(1)收集胸部X光片，进行预处理后构建训练集；所述的胸部X光片包括清晰高分辨率图片和对应的低分辨率含噪声图片；

(2)构建胸部X光片的生成对抗网络；所述的生成对抗网络包括：

生成器，根据输入生成虚假图片，所述的虚假图片为去除噪声并且分辨率加倍的超分辨率图片；

判别器，用于判别所述的训练集中的清晰高分辨率图片与生成器生成的虚假图片；

VGG16网络，用于构建感知损失函数正则项；

(3)将所述训练集中的低分辨率含噪声图片作为输入，对构建的生成对抗网络进行训练；在训练过程中生成器不断生成虚假图片，将生成的虚假图片和所述训练集中的清晰高分辨率图片不断在判别器中进行对抗，最终直至生成对抗网络收敛且判别器分辨不出虚假图片和清晰高分辨率图片，得到训练完成的生成对抗网络模型；

(4)将含有噪声且需要超分辨率的待处理胸部X光片进行预处理后，作为所述生成对抗网络模型的生成器的输入，生成去除噪声并且分辨率加倍的超分辨率图片，完成对待处理胸部X光片的超分辨率和去噪处理。

2.根据权利要求1所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，所述的预处理包括对胸部X光片进行旋转、缩放以及归一化。

3.根据权利要求1所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，所述的生成器包括：多尺度浅层纹理特征提取模块，包括卷积层和激活函数层，用于抓取图片的浅层纹理特征，并将浅层纹理特征输出至深层纹理特征提取及噪声消除模块；

深层纹理特征提取及噪声消除模块，由稠密网络块组成，所述稠密网络块包括卷积层和激活函数层，用于提取图像深层纹理特征并消除噪声；

超分辨率模块，由上采样块组成，所述上采样块包括卷积层、反卷积层以及激活函数层，用于上采样并扩大图片的分辨率。

4.根据权利要求3所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，多尺度浅层特征提取模块通过使用三种不同尺寸大小的卷积核对输入图像进行卷积操作，卷积核大小分别为(1×1)、(3×3)和(5×5)；其中(1×1)卷积核的卷积步长为1，填充为0，输出通道为64；(3×3)卷积核的卷积步长为1，填充为1，输出通道为64；(5×5)卷积核的卷积步长为1，填充为2，输出通道为64；最后将三个卷积核所提取的图像信息通过特征融合方式合并在一起；

深层纹理特征及噪声消除模块由6个稠密网络块组成，6个稠密网络块依次连接并将每个稠密网络块输出的结果都乘一个残差系数；每个稠密网络块由5部分组成，前4部分由(3×3)的卷积层和PRelu激活函数组成，其中(3×3)的卷积步长为1，填充为1，输出通道为64；

第5部分由(3×3)的卷积组成，卷积步长为1，填充为1，输出通道为64；最后将每一层的输出与后面的所有输出相连接即每个层都会接受其前面所有层作为额外的输出；

超分辨率模块由3个Up模块和2个Down模块组成，其中Up模块分别在头部、中部、尾部，再将前一个Up模块的输入与下一个Up模块的输入连接，前一个Down模块的输入与下一个Down模块的输入连接；每个Up模块内部由4部分组成：分别为2个卷积块和2个反卷积块，连接方式是交叉连接的方式，并将前一个卷积块的输出与下一个卷积块的输出相减，前一个反卷积块的输出与下一个反卷积块的输出相加；Down模块内部由3个卷积块和一个反卷积块组成，以卷积-卷积-反卷积-卷积的方式连接，并将第一个卷积的输出与反卷积的输出相减，第二个卷积的输出与第四个卷积的输出相加；其中Up模块和Down模块中的第一个卷积块由(1×1)的卷积和PRelu函数组成，卷积步长为1，填充为0，输出通道为64；其余卷积块由(6×6)的卷积和PRelu函数组成，卷积步长为2，填充为2，输出通道为64；Up模块与Down模块中的反卷积块由(6×6)的反卷积和PRelu函数组成，反卷积步长为2，填充为2，输出通道为

64。

5.根据权利要求1所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，所述的判别器由卷积层、激活函数层和批量归一化层组成。

6.根据权利要求5所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，判别器由9个卷积块依次连接组成，其中第一个卷积块由卷积层以及PRelu函数组成，最后一个卷积块由卷积层组成，其余卷积块分别由卷积层、批次归一化层以及PRelu函数组成；所述判别器的卷积核大小都为(3×3)，步长依次为1、2、1、2、1、2、1、2、1，输出通道依次为64、64、128、128、256、256、512、512、1。

7.根据权利要求1所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，所述的生成器和判别器的激活函数为PRelu函数；所述的PRelu函数为：PRelu(x)＝MAX(ax，0)；

其中，ax指输出层的权重；Max(ax，0)通过比较0和输入ax取大值。

8.根据权利要求1所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，步骤(3)中，采用Adam优化方式训练所述的生成对抗网络；

判别器的损失函数为：

Dreal＝σ(D(y)-E[D(G(x))])→1 如果y比G(x)更真实；

Dfake＝σ(D(G(x))-E[D(y)]→0 如果G(x)比y更真实；

其中，E(·)表示判别器的均值；G(x)表示生成器生成的数据分布；D(y)表示判别器的数据分布；σ表示Sigmoid激活函数；

生成器的损失函数是在判别器的损失函数基础引入正则项，所述的正则项包括感知损失函数Lperceptual和像素损失函数Lpixel：LG＝αLpixel+βLperceptual+γLGAN；

其中，VGG(·)表示一个包含预训练参数的VGG网络，VGG网络用于提取真实数据y和生成数据G(x)的特征；生成器的损失函数LG由感知损失函数Lperceptual、像素损失Lpixel和判别器损失函数LGAN组成，其中α，β和γ表示超参数。

9.根据权利要求8所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，生成器的损失函数的超参数α，β和γ分别设置为1e-2、1、5e-3。

10.根据权利要求1所述的基于生成对抗网络的胸部X光片超分辨率和去噪方法，其特征在于，步骤(3)中，在训练时，通过设置不同的超参数，训练后获得若干组训练参数；将训练参数加载到生成器中，以峰值信噪比、结构相似性、边缘保持系数为图像指标来测试训练后的生成器的图片生成质量，挑选出其中指标评价最好的训练参数，加载到生成器中，作为最终的生成器模型。