1.一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于，包括：S1、在正常图像块中添加随机噪声生成噪声图像‑噪声掩模对数据集；

S2、搭建采用噪点标记的轻量级卷积神经网络模型，包括多个重复的深度可分离卷积；

S3、采用所述网络神经模型对所述噪声图像‑噪声掩模对数据集进行训练，得到噪声掩模。

2.根据权利要求1所述的一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于：所述轻量级卷积神经网络模型包括两个常规卷积和位于两个所述常规卷积之间的n个重复的深度可分离卷积，所述n≥5；其中位于首端的常规卷积对输入的噪声图像生成32～128个卷积张量；位于末端的常规卷积对输入的所有卷积张量生成1张噪声掩模。

3.根据权利要求2所述的一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于：位于首端的所述常规卷积先采用3×3的卷积核处理Ni个输入通道，随后，执行批量标准化和ReLU激活，依次采用1×1的卷积核处理所有通道，得到No个处理后的通道，这步称为点卷积；最后，经过批量标准化和激活之后输出No个通道。

4.根据权利要求3所述的一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于：所述S1中选用91images数据集作为原数据，将彩色图像转换为黑白图像，并调整分辨率为(200～300)×(200～300)。

5.根据权利要求4所述的一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于：所述S1中以50以内的步长从每张图像中截取出若干个图像块，对这些图像块添加随机密度的椒盐噪声，得到噪声图像块，对添加噪声的位置进行标记使其与其它位置区别，生成与噪声图像所对应的真实噪声掩模；最后，将噪声图像块和噪声掩模块组合在一起，构成一一对应的噪声图像‑噪声掩模对数据集。

6.根据权利要求2所述的一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于：所述5≤n≤15。

7.根据权利要求2所述的一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于：位于首端的常规卷积对输入的噪声图像生成64个卷积张量。

8.根据权利要求4所述的一种轻量级卷积神经网络的椒盐噪点标记方法，其特征在于：所述彩色图像转换为黑白图像后调整分辨率为200×200。