1.一种基于SwinIR的海洋图像去噪方法，其特征在于，包括如下步骤：a)获取n张原始海洋噪声图像，得到原始海洋图像集合A0，A0＝{A1,A2,...,Ai,...,An}，H×W×CAi为第i张原始海洋噪声图像，i∈{1,...,n}，Ai∈R ，R为实数空间，W为第i张原始海洋噪声图像的宽度，H为第i张原始海洋噪声图像的高度；

b)将第i张原始海洋噪声图像Ai进行预处理，得到第i张预处理后的原始海洋噪声图像A′i，预处理后的海洋图像集合为A′0，A′0＝{A′1,A′2,...,A′i,...,A′n}；

c)将预处理后的海洋图像集合为A′0划分为训练集和测试集；

d)建立海洋图像去噪网络模型，海洋图像去噪网络模型由SwinIR模型中的浅层特征提取模块、第一残差模块、半监督浅桥模块、第二残差模块、SwinIR模型中的深层特征提取模块、SwinIR模型中的高质量图像重建模块、上采样单元构成；

e)将训练集中的第i张预处理后的原始海洋噪声图像A′i输入到海洋图像去噪网络模型的浅层特征提取模块及残差模块中，输出得到特征图AQ1、残差图像A′Q1‑1‑R及残差图像A′Q1‑1‑R的已标记图像潜在空间ML；

f)将残差图像A′Q1‑1‑R输入到海洋图像去噪网络模型的半监督浅桥模块和第二残差模块中，输出得到未标记残差图像A′Q3‑R‑M及未标记残差图像A′Q3‑R‑M的已标记图像潜在空间MUL；

g)将未标记残差图像A′Q3‑R‑M输入到海洋图像去噪网络模型的深层特征提取模块中，输出得到特征图AQ4；

h)将特征图AQ4输入到海洋图像去噪网络模型的高质量图像重建模块，输出得到特征图AQ4‑R；

i)将特征图AQ4‑R输入到海洋图像去噪网络模型的上采样单元中，输出得到去噪图像Ades；

j)计算总损失函数L，根据总损失函数训练海洋图像去噪网络模型，得到优化后的海洋图像去噪网络模型；

k)将测试集中的第i张预处理后的原始海洋噪声图像A′i输入到优化后的海洋图像去噪网络模型中，输出得到去噪图像A′des；

步骤e)包括如下步骤：

e‑1)将训练集中的第i张预处理后的原始海洋噪声图像A′i输入到海洋图像去噪网络模型的浅层特征提取模块中，输出得到特征图AQ1；

e‑2)将特征图AQ1输入到海洋图像去噪网络模型的残差模块中，使用Python的random库中的getrandbits函数对特征图AQ1进行随机掩码操作，得到掩码后的已标记噪声图像AQ1‑1；

e‑3)使用Python的OpenCV库中的fastN1MeansDenoising函数进行图像去噪，得到已标记去噪图像AQ1‑1‑R；

e‑4)将掩码后的已标记噪声图像AQ1‑1与已标记去噪图像AQ1‑1‑R进行相减操作，得到残差图像A′Q1‑1‑R；

e‑5)使用Python的OpenCV库中的absdiff函数对残差图像A′Q1‑1‑R提取残差，得到已标记图像潜在空间ML；

步骤f)包括如下步骤：

f‑1)海洋图像去噪网络模型的半监督浅桥模块由第一二维卷积层、第二二维卷积层、第三二维卷积层、最大池化层、全连接层构成；

f‑2)将特征图AQ1输入到半监督浅桥模块的第一二维卷积层中，输出得到特征图A″′Q1‑1‑R；

f‑3)将特征图A″′Q1‑1‑R输入到半监督浅桥模块的第二二维卷积层中，输出得到特征图AQ2；

f‑4)将特征图AQ2输入到半监督浅桥模块的第三二维卷积层中，输出得到特征图A′Q2‑1‑R；

f‑5)将特征图A′Q2‑1‑R输入到半监督浅桥模块的最大池化层中，输出得到特征图AQ3，f‑6)将特征图AQ3输入到半监督浅桥模块的全连接层中，输出得到特征图A″Q1‑1‑R；

f‑7)将特征图A″Q1‑1‑R输入到海洋图像去噪网络模型的第二残差模块中，使用Python的OpenCV库中的flip函数进行坐标轴为1的水平翻转图片增强操作，得到特征图f‑8)使用Python的OpenCV库中的add函数将残差图像A′Q1‑1‑R与特征图 进行相加操作，得到特征图AQ3‑R‑M；

f‑9)对特征图AQ3‑R‑M使用Python的OpenCV库中的flip函数进行坐标轴为0的垂直翻转图片增强操作，得到特征图f‑10)将特征图AQ3‑R‑M与特征图A″Q1‑1‑R进行相减操作，得到未标记残差图像A′Q3‑R‑M；

f‑11)使用Python的OpenCV库中的absdiff函数对未标记残差图像A′Q3‑R‑M提取残差，得到未标记残差图像A′Q3‑R‑M的已标记图像潜在空间MUL。

2.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤a)中从WSODD数据集中获取n张原始海洋噪声图像，得到原始图像集合A0。

3.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于，步骤b)包括如下步骤：b‑1)将第i张原始海洋噪声图像Ai裁剪成128×128像素；

b‑2)将裁剪后的图像随机旋转90°后再随机旋转180°，得到第i张预处理后的原始海洋噪声图像A′i。

4.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤c)中将预处理后的海洋图像集合为A′0按照3:1的比例划分为训练集和测试集。

5.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤f‑2)中第一二维卷积层的卷积核大小为3×3、padding为1、步长为1；步骤f‑3)中第二二维卷积层的卷积核大小为3×3、padding为1、步长为1；步骤f‑4)中第三二维卷积层的卷积核大小为3×

3、padding为1、步长为1；步骤f‑5)中最大池化层的池化核大小为2×2、步长为2；步骤f‑6)中全连接层的池化核大小为2×2、步长为4。

6.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于：步骤i)中将特征图AQ4‑R输入到海洋图像去噪网络模型的上采样单元中，通过Pytorch中的PixelShuffle函数对特征图AQ4‑R进行上采样处理，得到去噪图像Ades。

7.根据权利要求1所述的基于SwinIR的海洋图像去噪方法，其特征在于，步骤j)包括如下步骤：j‑1)将特征图AQ4输入到Transformer网络模型的编码器模块中，输出得到H*W的特征矩阵G；

j‑2)通过公式L＝LL1+λ1Lconst+λ2Lpotential计算得到总损失总损失函数L，式中LL1为正则化损失函数，为拼接操作，λ1与λ2均为权重；

j‑3)使用Adam优化器，利用总损失函数L训练海洋图像去噪网络模型，得到优化后的海洋图像去噪网络模型。

8.根据权利要求7所述的基于SwinIR的海洋图像去噪方法，其特征在于：训练海洋图像去噪网络模型时迭代次数为200K，学习率设置为0.0002，学习速度设置为每20个迭代衰减‑4

0.8倍，初始学习率设置为1×10 ，批量大小设置为64，λ1＝0.1，λ2＝0.1。