1.一种基于非局部注意力的深度增强图像去噪方法，其特征在于，包括：

将数据集中的图像输入预先构建的神经网络去噪模型的网络框架中，对干净图像进行分块，得到预处理图像；

对预处理图像加上加性噪声，得到带噪声图像；

将所述带噪声图像输入到非局部注意力模块，得到带有图像非局部信息的特征图，所述非局部注意力模块，具体包括：对输入分别进行卷积核大小为1*1的卷积，获得两个特征图参数特征，将所述两个特征图参数特征做点积，得到相似性特征矩阵，将所述相似性特征矩阵经过softmax处理得到相似性权重矩阵；

对输入再做一次卷积核大小为1*1的卷积得到第三个特征图参数特征，将所述第三个特征图参数特征与相似性权重矩阵做点积操作，将该点积操作得到的结果再做一次卷积核大小为1*1的卷积并将此次的卷积结果作为最后输出的特征图；

对带有图像非局部信息的特征图进行卷积操作，得到抽象的特征图，具体为：将所述带有图像非局部信息的特征图分别在两条路径上进行训练，一条路径是先进行卷积核大小为

3*3的一般卷积，再进行卷积核大小为3*3的扩张卷积，另一条路径是先进行卷积核大小为

3*3的扩张卷积，再进行卷积核大小为3*3的一般卷积，将两条路径上得到的特征图拼接起来作为输出，最后将所述带有图像非局部信息的特征图与所述输出拼接作为所述抽象的特征图；

对抽象的特征图进行卷积核大小为1*1的卷积操作进行图像重建，得到重建后的图像；

将重建后的图像输入到所述非局部注意力模块，得到本轮迭代去噪后的图像；

计算去噪后的图像与干净图像之间的损失，并通过神经网络的正向、反向传播降低损失，直到迭代次数达到阈值或学习率衰减至下限时，得到训练好的神经网络去噪模型；

将用于测试的带噪声图像输入到所述训练好的神经网络去噪模型中，得到去噪后的图像。

2. 根据权利要求1所述的基于非局部注意力的深度增强图像去噪方法，其特征在于，所述神经网络去噪模型的网络框架的参数设置为：训练数据前向传播和后向传播的次数num_epoch=800, 批大小batch_size=64, 训练开始时的学习率base_lr=0.001,学习率衰减的权重power=1.5,训练结束时的学习率end_lr=0.0001。

3.根据权利要求1所述的基于非局部注意力的深度增强图像去噪方法，其特征在于，所述神经网络去噪模型使用的损失函数如下：。

4.根据权利要求1所述的基于非局部注意力的深度增强图像去噪方法，其特征在于，图像预处理包括：从数据集中取一组干净图像作为一组数据，对这一组干净图像进行分块，分块之后的图像大小为50*50，得到预处理图像。