1.一种基于多级门控单元的修复图像检测方法，其特征在于，包括以下步骤：步骤S1：基于两个现有数据集合成新的修复数据集，将其划分为训练集和测试集，并对训练集中的修复图像和修复图像对应的二进制掩码进行数据预处理；

步骤S2：将训练集中的任意图像输入到双流编码器分支，分别提取修复图像的不同层级的空域特征和局部噪声残差，并将顶层空域特征和局部噪声残差在通道上拼接；

步骤S3：将拼接后得到的特征图像输入感受野模块，经过感受野模块中的多分支卷积层和空洞卷积层，提取修复图像的多尺度特征；

步骤S4：将空域特征、局部噪声残差和多尺度特征输入多级门控单元，产生不同层级的门控特征；

步骤S5：解码器分支对输入的不同层级的门控特征进行特征融合，并输出修复图像的分类、修复区域定位和图像分割结果；

步骤S6：双流编码器分支、感受野模块、多级门控单元和解码器构成修复图像检测模型，将本轮训练的解码器输出输入到预先构建的修复图像检测模型的损失函数中，计算修复图像检测模型的训练损失值；当训练集中所有图像计算的损失值均低于预先设置的损失阈值，或训练轮数达到预先设置的轮次，得到训练好的修复图像检测模型。

2.根据权利要求1所述的一种基于多级门控单元的修复图像检测方法，其特征在于，步骤S1具体过程如下：S11，对两个现有数据集中的图像进行修复篡改，生成图像修复检测的训练集和测试集，修改形状为基本的矩形、圆形和线形；

S12，对训练集中一半的修复图像进行数据增强：记修复前图像集合为Dori，修复后的图像集合为Dip，修复后的图像集合对应的真实掩码为Dgt，采用如下公式对训练集中的图像进行数据增强：Dip＝β×Dip⊕(1‑β)×Dori

其中，强度因子β∈(0,1]，⊕为逐元素相加；

S13，将训练集中的所有图像及其对应真实掩码的分辨率调整至256×256；

S14，随机选取训练集中50％的图像执行水平翻转操作，其余图像执行垂直翻转操作；

S15，通过线性变换，将训练集中图像的全部像素值转换到[0,1]范围内。

3.根据权利要求1或2所述的一种基于多级门控单元的修复图像检测方法，其特征在于，步骤S2中，所述双流编码器分支包括提取空域特征的ResNet50网络和提取噪声残差的三种高通滤波结构；

所述三种高通滤波结构包括：预滤波模块PF、约束卷积结构和改进的随机高通滤波器IRHP。

4.根据权利要求3所述的一种基于多级门控单元的修复图像检测方法，其特征在于，步骤S2具体过程如下：S21，输入的图像 为RGB图像，H表示图像高度，W表示图像宽度，C表示图像的通道数；经过预滤波模块PF、约束卷积结构和改进的随机高通滤波器IRHP捕获局部噪声残差，并且在通道上拼接获得残差特征S22，将输入图像 和残差特征E分别输入预训练好的ResNet50的前四层，分别提取每一层的空域特征Fi,i＝0,1,2,3和残差特征Ej,j＝0,1,2,3；

其中 ，编码器前四 层一层输出的 特征分 别是

S23，将顶层空域特征F3和残差特征E3在通道上拼接。

5.根据权利要求4所述的一种基于多级门控单元的修复图像检测方法，其特征在于，步骤S3所述感受野模块的多分支卷积层含有四个分支，前三个分支使用瓶颈层Bottleneck作为顶层结构，最后一个分支为跳跃连接；

所述空洞卷积层包括空洞率分别为1、3、5的空洞卷积，分别对应上层不同核大小的卷积层，三个空洞卷积层的输出在通道上拼接后，通过1×1卷积降低通道数，并且通过跳跃连接学习残差特征。

6.根据权利要求5所述的一种基于多级门控单元的修复图像检测方法，其特征在于，步骤S4具体过程如下：对于空域特征Fi,i＝0,1,2,3和残差特征Ej,j＝0,1,2,3，分别将大小相同的空域特征和残差特征在通道上拼接，得到拼接特征；

拼接特征经过全局平均池化和卷积层，得到的特征h与拼接特征做逐元素点积，最后经过一个卷积层，获得与输入特征尺寸一致的门控特征。

7.根据权利要求6所述的一种基于多级门控单元的修复图像检测方法，其特征在于，步骤S5具体过程如下：S51，对于门控特征Gi,i>0，解码器对其使用双线性插值进行一次上采样，使该特征的长和宽扩充为原来的两倍；

S52，利用卷积层减少特征的通道数，并与Gi‑1做逐元素相加；

解码器的计算公式如下：

Si＝Conv(Up(Gi))⊕Gi‑1,i＝1,…3

其中，Up表示双线性插值上采样，Conv是一个核大小为3×3的卷积层，⊕为逐元素相加；解码器通过上采样、卷积和逐元素相加将门控特征{G0,G1,G2,G3}进行组合，获得解码特征S54，解码特征S3经过一层由上采样和Sigmoid激活函数组成的分类头，转化为修复图像检测模型输出的单通道预测掩码

8.根据权利要求7所述的一种基于多级门控单元的修复图像检测方法，其特征在于，步骤S6中所述损失函数包括焦点损失LFocal和交并比损失LIou，如下所示：其中，y为输入图像的真实掩码，为模型输出的预测掩码，λ1和λ2为超参数。