1.一种基于深度学习的矿井图像处理方法，其特征在于，包括：S100，采集矿井图像作为样本数据，将所述样本数据的分辨率进行调整，将所述样本数据划分为干净图像数据集和原始物理噪声图像数据集，将所述干净图像数据集作为训练集，将所述原始物理噪声图像数据集作为测试集；

S200，构建基于物理信息的生成对抗网络，利用所述生成对抗网络对所述训练集以及施加物理噪声的训练集进行数据增强以提高图像质量，得到增强训练集；

S300，构建深度算子去噪网络对增强训练集进行去噪处理，获得去噪后的增强训练集；

S400，采用所述去噪后的增强训练集对所述深度算子去噪网络进行训练，在训练过程中，利用L2范数评分方法对所述深度算子去噪网络进行剪枝处理，采用所述测试集对训练后的所述深度算子去噪网络进行测试，得到轻量化深度算子去噪网络模型；

S500，利用所述轻量化深度算子去噪网络模型对矿井图像进行实时去噪处理；

其中，S200包括以下过程：

S201，对所述训练集施加物理噪声后得到物理噪声图像数据集，其中，所述物理噪声包括：读取噪声、散粒噪声、行噪声和量化噪声；

S202，基于物理信息构建生成对抗网络；

S203，利用所述生成对抗网络对所述训练集和所述物理噪声图像数据集分别进行数据增强，增强后进行合并得到增强训练集；

S300中，所述深度算子去噪网络包括：主干网络、分支网络、点积层和解码网络；

所述主干网络用于学习矿井图像的全局特征映射；

所述分支网络用于学习矿井图像的局部细节特征映射；

所述点积层用于接收全局特征映射和局部细节特征映射后进行点积操作；

所述解码网络用于对点积层输出的数据进行处理，以获得重构的干净图像；

所述主干网络和所述分支网络采用并行架构；

所述分支网络用于学习矿井图像的局部细节特征映射的步骤包括：分支网络将增强训练集中的图片随机分割为图像块；

将每个图像块转化为特征图，然后将特征图组成特征矩阵；

利用自注意力机制获得自注意力特征矩阵；

将自注意力特征矩阵进行图像块特征间的信息交互和加权融合；

将加权融合后的图像块之间的融合信息进行深度特征提取得到矿井图像的局部细节特征映射。

2.根据权利要求1所述基于深度学习的矿井图像处理方法，其特征在于，S100包括以下过程：S101，采集矿井图像作为样本数据，将所述样本数据的分辨率调整一致；

S102，将分辨率调整一致后的所述样本数据进行二维傅里叶变换得到矿井图像频谱图，根据所述频谱图将所述样本数据划分为干净图像数据集和原始物理噪声图像数据集；

S103，将所述干净图像数据集作为训练集，将所述原始物理噪声图像数据集作为测试集。

3.根据权利要求1所述基于深度学习的矿井图像处理方法，其特征在于，S400中的剪枝处理包括以下过程：S401，对所述深度算子去噪网络模型的第k层初始权重矩阵中的部分元素进行随机冻结，得到轻量化剪枝权重矩阵；

S402，计算所述初始权重矩阵和所述轻量化剪枝权重矩阵之间的L2范数评分，若计算得到的L2范数评分大于预设轻量化剪枝阈值，则使用轻量化剪枝权重矩阵替代所述初始权重矩阵，若L2范数评分不大于预设轻量化剪枝阈值，则重复S401 S402。

~

4.根据权利要求3所述基于深度学习的矿井图像处理方法，其特征在于，S400中，所述深度算子去噪网络训练过程中的损失函数L1如下：其中，H和W分别是输入深度算子去噪网络的矿井图像的高度和宽度， 为去噪后的增强训练集中的第i个数据样本对应的标签， 是求模计算符号， 表示解码网络输出的重构的干净图像 在（ ）处的像素值， 表示 图像在（ ）处的像素值，（ ）表示二维图像的像素坐标。

5.根据权利要求3所述基于深度学习的矿井图像处理方法，其特征在于，所述主干网络包括5个2D编码器单元。

6.根据权利要求3所述基于深度学习的矿井图像处理方法，其特征在于，所述分支网络包括图像分割层、线性映射层、自注意力层、交叉注意力层和前馈神经网络层。

7.根据权利要求5所述基于深度学习的矿井图像处理方法，其特征在于，所述解码网络包含5个2D解码器单元、5个降采样单元和5个特征拼接单元。