1.基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，包括以下步骤：S1.将数据集划分为训练集和测试集，并进行预处理，构造待修复图像Iin；

S2.将训练集中待修复图像Iin输入到编码器，得到特征图Fin；

S3.将特征图Fin输入到多粒度残差模块，提取图像中的多尺度特征图F，S4.通过级联多个多粒度残差模块，构成多粒度特征提取模块，得到特征图Flow；

S5.将特征图Flow输入解码器：先经过两个顺序连接的通道自适应上采样卷积模块，再输入到一个卷积模块，得到缺失部分填充完整的图像I；

S6.计算损失，通过图像级损失及特征级损失进行参数优化。

2.根据权利要求1所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，在步骤1中，所述预处理包括：将图像像素值规范化到[‑1，1]区间，采用插值方法将图像缩放至统一的空间分辨率；

所述构造待修复图像Iin具体为：

其中，Igt为训练集中的真实的完整图像， 表示逐元素乘积，Im为二值化的掩膜图像，Im中值为1的区域为已知区域，Im中值为0的区域为待修复区域。

3.根据权利要求1所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，在步骤2中，所述编码器由三个卷积模块实现，每个卷积模块由卷积层、批标准化层及ReLU激活函数层组成，第一个卷积模块的卷积步长设置为1，第二个和第三个卷积模块的卷积步长设置为2，实现对特征图的降采样。

4.根据权利要求3所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤3具体过程如下：S31.将特征图Fin输入到细粒度特征提取分支，得到细粒度特征图Ffine：Ffine＝frn(…fri…(fr2(fr1(Fin))))其中，fri表示第i个细粒度空洞卷积模块，其包括空洞卷积层、批标准化层及ReLU激活函数层；对于该模块中的每个空洞卷积层，将其空洞率设置为互质的数值；

S32.将特征图Fin输入到粗粒度特征提取分支，得到粗粒度特征图Fcoarse：Fcoarse＝fcn(…fci…(fc2(fc1(Fin))))其中，fci表示第i个粗粒度空洞卷积模块，其包括空洞卷积层，批标准化层及ReLU激活函数层；对于该模块中的每个空洞卷积层，将其空洞率设置为互质的数值，并大于对应第i个细粒度空洞卷积模块设置的空洞率；

S33.将细粒度特征图和粗粒度特征图在通道维度进行级联，再输入到1×1的卷积层f1×1(·)，得到卷积特征图Fc；

S34.对卷积特征图Fc自适应学习其通道权重，得到权重向量A；

S35.将权重向量A作用于卷积特征图Fc，并结合残差跳跃连接得到多粒度残差模块的输出F：其中，表示逐元素乘积。

5.根据权利要求4所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤S34具体过程如下：Q×1×1

(1)对卷积特征图Fc进行平均池化，得到基于通道的描述D∈R ，Q表示通道数，D中的第i个元素di为对第i个通道Ci求平均得到，其计算公式为：其中，H和W表示特征图的高和宽；

(2)对通道描述D进行降采样和上采样操作，其计算公式为：D′＝fup(fdown(D))

其中，fup为上采样操作，fdown为下采样操作；

(3)将D′输入到激活函sigmoid层，得到通道相关的权重向量A。

6.根据权利要求5所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤5中，所述的通道自适应上采样卷积模块具体过程如下：S51.将特征图Flow输入到卷积层进行特征提取，得到特征图F′low；

S52.对特征图F′low进行像素重排得到特征图Fh，特征图的空间分辨率放大两倍，通道数目缩小4倍；

S53.对特征图Fh执行步骤S34，得到通道注意力向量A′，将通道注意力作用于特征图，得到特征图F′h：S54.将特征图F′h输入到批标准化层及leaky ReLU激活函数层，得到上采样卷积模块所输出的特征图Fhigh。

7.根据权利要求6所述的基于多粒度空洞卷积神经网络的图像修复方法，其特征在于，步骤6具体过程如下：S61.所述图像级损失包括L1重建损失Lhole和Lvalid、多尺度结构相似度损失Lms和全变分损失LTV，计算公式为：其中，I为模型生成的图像，Icom是由生成的缺失区域和真实的已有区域组合的图像，E[·]表示求平均， 为逐元素相乘运算符，N为多分辨率图像金字塔层数，Wi第i层的权重，和 表示第i层图像对， 和 分别为图像Icom中坐标为(x+1，y)、(x，y)和(x，y+1)位置的像素值；

S62.所述特征级损失包括特征重建损失Lfeat和风格损失Lstyle，计算公式为：其中， 表示在ImageNet数据集预训练后的VGG‑16网络中前三个池化层的输出，G(`)为特征图的Gram矩阵；

S63.将不同损失项加权得到总体损失函数：

L＝λholeLhole+λvalidLvalid+λmsLms+λTVLTV+λfeatLfeat+λstyleLstyle其中，λhole、λvalid、λms、λTV、λfeat和λstyle分别为对应损失项的权重；

S64.通过损失值计算模型梯度，并更新模型中的参数。