1.一种基于新型优化器的遥感图像去噪方法，其特征在于，包括以下步骤：S1：采集遥感噪声图像，并将所述遥感噪声图像划分为训练集和测试集；

S2：利用GAF算法对DudeNet去噪模型进行梯度优化，并利用训练集对梯度优化后的DudeNet去噪模型进行训练；

所述S2中包括以下分步骤：

S21：利用GAF算法中的缩放因子 和灵敏度因子 调整GAF算法的梯度范围；

S22：利用损失函数更新GAF算法的梯度，并将更新后的GAF算法的梯度替换DudeNet去噪模型的梯度，获得梯度优化后的DudeNet去噪模型；

所述S22中利用损失函数更新GAF算法的梯度，公式为：；

其中， 为随机训练过程的梯度， 为梯度符号， 为权重向量，为迭代的次数， 为数据集数据的数量， 为损失函数， 为模型对每个输入样本在每次迭代中的输出，为训练批次中的输入样本， 为权重向量， 为输入样本的对应标签， 为第 次迭代的梯度， 为动量系数， 为第 次迭代的梯度， 为学习率， 为动量更新后的梯度应用于GAF函数，获得调整后的梯度， 为不同类型的GAF函数， 为第 次迭代的权重向量；

S23：利用训练集对梯度优化后的DudeNet去噪模型进行训练；

S3：利用测试集对训练好的DudeNet去噪模型进行测试，并利用图像质量衡量指标进行评价，完成基于新型优化器的遥感图像去噪。

2.根据权利要求1所述的一种基于新型优化器的遥感图像去噪方法，其特征在于，所述S21中缩放因子 和灵敏度因子 设置为 和 。

3.根据权利要求1所述的一种基于新型优化器的遥感图像去噪方法，其特征在于，所述S22中DudeNet去噪模型包括特征提取模块FEB、图像增强模块EB、压缩模块CB和重建模块RB。

4.根据权利要求3所述的一种基于新型优化器的遥感图像去噪方法，其特征在于，所述特征提取模块FEB包括两个并行的第一特征提取模块FEBnet1和第二特征提取模块FEBnet2，所述第一特征提取模块FEBnet1通过稀疏机制从输入噪声图像中提取全局特征和局部特征，所述第二特征提取模块FEBnet2用于从输入噪声图像中提取补充特征；

所述第一特征提取模块FEBnet1采用稀疏机制，包括卷积层、批归一化层和ReLU激活层；

所述第一特征提取模块FEBnet1的输出 表示为：；

其中， 为 卷积函数， 为由三个卷积层、批归一化层和ReLU激活层组成的模块， 为稀疏机制， 为由一个卷积层、批归一化层和ReLU激活层组成的模块，为输入噪声图像；

所述第二特征提取模块FEBnet2包括依次连接的卷积层、ReLU激活层和卷积层；

所述第二特征提取模块FEBnet2的输出 表示为：；

其中， 为 卷积函数， 为依次执行15个卷积层和ReLU激活层的功能模块。

5.根据权利要求4所述的一种基于新型优化器的遥感图像去噪方法，其特征在于，所述图像增强模块EB包括第一图像增强模块EB1和第二图像增强模块EB2，所述第一图像增强模块EB1用于融合第一特征提取模块FEBnet1和第二特征提取模块FEBnet2的输出特征，并通过批归一化层和ReLU激活层进行处理；所述第二图像增强模块EB2用于融合第一图像增强模块EB1的输出特征和输入图像，并使用1×1卷积对输出特征进行压缩；

所述第一图像增强模块EB1的输出 表示为：

；

；

其中， 表示融合操作， 为激活层， 为批归一化层， 为卷积函数，为压缩模块；

所述第二图像增强模块EB2的输出 表示为：

；

；

其中， 表示对第一图像增强模块EB1的输出 进行卷积以压缩数据。

6.根据权利要求5所述的一种基于新型优化器的遥感图像去噪方法，其特征在于，所述压缩模块CB包括第一卷积层CB1、第二卷积层CB2和第三卷积层CB3，所述第一卷积层CB1位于第二特征提取模块FEBnet2的末尾，所述第二卷积层CB2位于第一图像增强模块EB1和第二图像增强模块EB2之间，所述第三卷积层CB3位于第二图像增强模块EB2和重建模块RB之间；

所述压缩模块CB的输出表示为：

；

其中， 为第三卷积层CB3输出的残差特征。

7.根据权利要求6所述的一种基于新型优化器的遥感图像去噪方法，其特征在于，所述重建模块RB使用残差连接，用于将压缩后的特征映射到去噪后的图像中，输出表示为：；

其中， 为重构的清晰图像。

8.根据权利要求1所述的一种基于新型优化器的遥感图像去噪方法，其特征在于，所述S3中图像质量衡量指标为：；

；

其中， 为图像质量衡量指标， 为图像强度的最大值， 为均方误差，为图像像素的行数， 为图像像素的列数， 为 的取值，为 的取值， 为原始输入图像的像素值， 为处理后图像的像素值。