1.一种基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，方法包括：S101、选取预设数量的图像进行裁切，形成图像块，作为干净图像数据集；将干净图像块与合成高斯白噪声相加，得到含噪图像数据集；

S102、构造基于模糊图像特征的模糊特征去噪网络BFCNN；

S103、利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；

S104、将含噪图像数据集中待去噪的图像输入到训练完成的图像去噪网络中，得到去噪后的图像。

2.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，S101还包括：预设数量的图像进行裁切为从96×96到256×256大小的图像块，作为干净图像数据集。

3.根据权利要求2所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，S101还包括：对干净图像数据集中的干净图像块使用3×3大小的高斯模糊核进行卷积操作得到模糊图像块数据集。

4.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，模糊特征去噪网络BFCNN包括：BM模糊模块；

BM模糊模块描述为：

BM(Inoisy)＝RG(RG(Conv(Inoisy))+Conv(Inoisy))+Conv(Inoisy)  (1)其中BM(Inoisy)代表BM模糊模块的输出，RG代表残差组，Inoisy代表含噪图像。

5.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，模糊特征去噪网络BFCNN还包括：CM聚合模块；

CM聚合模块包含两个聚合块，每个聚合块包含一个残差组、一个用于提升通道数的卷积层、一个聚合层和一个用于降低通道数的卷积层；两个聚合块的输入最终由一个聚合层聚合为一个高维的特征；

CM聚合模块描述为：

1

CB(BM(Inoisy),Inoisy)＝Conv(Concate(RG(BM(Inoisy)),Conv(Inoisy)))  (2)

2 1

CB(Inoisy)＝Conv(Concate(RG(CB(Inoisy)),Conv(Inoisy)))  (3)

1 2

CM(BM(Inoisy),Inoisy)＝Concate(CB(BM(Inoisy)，Inoisy),CB(Inoisy)) (4)CB1和CB2分别代表两个聚合块，Conv代表卷积层，Concate代表聚合层。

6.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，模糊特征去噪网络BFCNN还包括：AM调整模块；

AM调整模块描述为：

AM(CM(Inoisy),Inoisy)＝DB(FA(CM(Inoisy)))+Inoisy(5)FA(CM(Inoisy))＝CM(Inoisy)×Conv(Conv(GlobalAvgPool(CM(Inoisy))))(6)其中DB表示密集连接块，FA表示特征注意力机制，GlobalAvgPool表示全局平均池化操作。

7.根据权利要求1所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，S103、利用Adam优化器对模糊特征去噪网络BFCNN进行训练，形成图像去噪网络，并保存训练完成的图像去噪网络；

利用Adam优化器对模糊特征去噪网络BFCNN进行训练的初始学习率为0.0001，学习率按指数衰减；对模糊图像，采用平均绝对值误差MAE损失，对去噪图像，采用均方误差MSE损失。

8.根据权利要求7所述的基于卷积神经网络和模糊图像特征的图像去噪方法，其特征在于，每10000次迭代后更新学习率，更新指数为0.95。

9.一种终端机，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述基于卷积神经网络和模糊图像特征的图像去噪方法的步骤。