1.一种基于特征增强网络和GRU网络的图像去噪方法，其特征在于，包括以下步骤：步骤一: 数据获取；

采集不含噪声的图像和被不同程度噪声污染过的图像分别形成数据集，完成模型训练所需数据集的构建；

步骤二: 数据预处理；

对获取的数据集进行预处理，以使其得到扩充和增强；

步骤三:模型构建；

搭建一个特征增强网络、一个基干网络、两层不同的GRU网络及一个重建网络，并依次连接形成初始去噪模型；

特征增强网络命名为EBlock，其包括4个膨胀因子为2的空洞卷积层，1个卷积核大小为

1的卷积层，1个卷积核大小为3的卷积层，1个卷积核大小为5的卷积层，1个卷积核大小为7的卷积层，1个通道融合层，1个编码层和1个解码层；其中，4个空洞卷积层均结合批归一化和ReLU激活函数，4个不同卷积核的卷积层均结合批归一化和PReLU激活函数，且4个空洞卷积层分别和4个不同卷积核的卷积层构成4个分支网络，且4个分支网络、1个通道融合层、1个编码层和1个解码层依次连接；

基干网络中包括由一个卷积层和一个ReLU激活层所形成的1个组合一，由一个卷积层、一个批归一化层和一个PReLU激活层所形成的16个组合二，且1个组合一和16个组合二依次连接；同时，在基干网络的输入和输出之间设置了全局残差连接；

两层GRU网络的构建基于卷积GRU，分别命名为ConvGRU1和ConvGRU2，且ConvGRU1和ConvGRU2依次连接，GRU网络结合了ReLU激活函数、Sigmoid激活函数、Tanh激活函数、Concatenation、逐像素加法和逐像素乘法运算，GRU网络将之前的输入视为先前隐藏状态，通过更新门和重置门将之前的输入和现在的输入进行特征融合，以实现更精细的特征选择；其中，ConvGRU1的卷积核大小是3，ConvGRU2的卷积核大小是5；

重建网络包含1个卷积层，1个减法运算，其中，卷积层用于将GRU网络中ConvGRU2输出的64通道特征图转换到与原始的噪声图像相同的通道，其输出是模型学习到的噪声信息，减法运算用于将原始的噪声图像作为先验传入，并使用原始的噪声图像减去噪声信息得到干净图像；

步骤四: 模型训练；

S41：设置训练最大轮数、收敛阈值和训练所需的其他超参数；

S42：调整并准备好训练数据集和测试数据集，开始对初始去噪模型进行端到端的训练；

S43：初始去噪模型在训练时输入的是带噪声的图像，输出的是去噪后的图像；训练的每一轮执行如下操作：判断当前轮次下是否需要调整学习率，将准备好的噪声图像数据传入网络模型，模型预测生成图像，计算模型预测生成的图像和干净图像的误差，计算损失函数并反向传播更新各层的参数，计算当前轮次和上一轮次损失函数的差值，并将差值和收敛阈值进行比较以判定是否收敛，当收敛时，先对训练过程中的模型进行保存，再进行下一轮的训练，当未收敛时，不对训练过程中的模型进行保存，直接进行下一轮的训练；

S44：损失函数收敛并达到最大训练轮次后，模型训练完毕；

步骤五: 模型保存；

对训练完毕的模型进行保存，形成图像去噪模型；

步骤六: 图像去噪；

使用图像去噪模型进行图像去噪，去噪的过程是一次前向传播的过程，输入待降噪的图像，经过模型处理后输出预测的干净图像。

2.根据权利要求1所述的一种基于特征增强网络和GRU网络的图像去噪方法，其特征在于，在步骤一中，采集被不同程度噪声污染过的图像形成数据集时，对不同程度的噪声污染分别构建成对的训练数据集，并对不同的噪声水平分别设置训练数据集。

3.根据权利要求1或2所述的一种基于特征增强网络和GRU网络的图像去噪方法，其特征在于，在步骤二中，预处理包括对数据集进行增强处理和规范化处理，增强处理包括图像尺度缩放处理和图像翻转变换处理，在图像尺度缩放处理时，分别进行1.0倍数、0.9倍数、

0.8倍数和0.7倍数的缩放，在图像翻转变换处理时，将图像进行翻转变换；规范化处理包括图像格式规范化处理，在图像格式规范化处理时，先检查图像的尺度是否一致，若不一致，则对图像进行尺度变换使图像大小保持一致。

4.根据权利要求1所述的一种基于特征增强网络和GRU网络的图像去噪方法，其特征在于，在步骤四的S41中，训练最大轮数大于30次。

5.根据权利要求1所述的一种基于特征增强网络和GRU网络的图像去噪方法，其特征在于，在步骤四中，在训练的过程中初始学习率设置为1e‑3，每经过30次迭代学习率衰减到原来的10%。