1.一种基于膨胀卷积图像去噪方法，其特征在于：包括以下步骤，步骤一、训练数据的准备，准备若干张灰度训练图片，设置缩放因子，采用立方插值的方法生成若干张图片一；设置块尺寸和步长，对图片一进行块的裁取，对裁取后的每张图片一再做水平翻转或者翻转90°操作，得到数个块图像；

步骤二、模型的建立；

第一层，将输入图像采用零填充的方式与滤波器进行卷积操作得到图像x，再将图像x进行非线性激活操作得到图像x1；

第二层，将图像x1采用零填充的方式与滤波器进行膨胀因子为1的卷积操作得到图像out，再将图像out进行批归一化处理得到图像out1，然后对图像out1进行非线性激活操作得到图像out2；

第三层，将图像out2采用零填充的方式与滤波器进行膨胀因子为2的卷积操作得到图像out3，再将图像out3进行批归一化处理得到图像out4，然后对图像out4进行非线性激活操作得到图像out5；

第四层，设置膨胀因子为3，将图像out5重复第三层步骤得到图像out6；

第五层，将图像out6采用零填充的方式与滤波器进行膨胀因子为4的卷积操作得到图像out7，再将图像out7进行批归一化处理得到图像out8，然后将图像out8与第一层得到的图像x1做跳跃连接，形成一个“残差块”，最后将该图像out8进行非线性激活操作得到图像out9，将图像out9作为下一个输入的图像x2；

第六层至第九层，将图像x2分别重复第二层至第五层，得到图像x3；

第十层至第十三层，将图像x3分别重复第二层至第五层，得到图像x4；

第十四层，将图像x4采用零填充的方式与滤波器进行卷积操作得到图像x5，然后将第一层的输入图像与图像x5做相减处理并赋值给图像x5，即得到图像模型；

步骤三、将步骤二得到的图像模型采用Adam优化器和均方误差损失函数进行编译得到编译后的模型；

步骤四、将步骤一中得到的数个块图像按批量尺寸分成多代，每代需要多次迭代，给每一次迭代的图像分别加上加性高斯白噪声得到带有噪声的批量图片；

步骤五、将步骤四得到的带有噪声的批量图片采用学习率衰减的方法进行训练，得到训练后的预测函数模型；

具体为：

将步骤四得到的带有噪声的批量图片用fit_generator函数采用学习率衰减的方法进行训练，得到训练后的模型，即：Keras框架中的函数，利用Python的生成器，逐个生成数据的批并进行训练；

步骤六、测试数据的准备，准备多张测试图片，对测试图片分别加上加性高斯白噪声得到测试图像；

步骤七、将得到的测试图像导入到步骤五中预测函数模型中，求到去噪后的图像。