1.一种基于深度学习去除图像压缩噪声的方法，其特征在于，所述方法包括：将待处理的图像输入已训练的残差网络，获取所述待处理的图像的压缩质量因子估计值；所述残差网络中，最后一层为全连接层，所述全连接层的神经元数量为1，所述残差网络的损失函数为平方损失函数；

将所述待处理的图像及所述压缩质量因子估计值输入已训练的全卷积神经网络进行处理，获得去除压缩噪声后的图像；

所述全卷积神经网络为快速灵活去噪网络FFDNet，将所述待处理的图像及所述压缩质量因子估计值输入已训练的全卷积神经网络进行处理，获得去除噪声后的图像，具体包括：对所述待处理的图像进行pixel_shuffle像素洗牌的逆变换，将所述待处理的图像变换为宽度和高度减半、通道数变为四倍的第一张量T1，所述第一张量T1的形状为(4*C, W/

2, H/2)；C为所述待处理的图像的原始通道数，W和H分别是所述待处理的图像的原始宽度和原始高度；

将所述压缩质量因子估计值作为一个通道，形成该通道的第二张量T2，所述第二张量T2的形状为（1, W/2, H/2），所述第二张量T2的每个元素均为所述压缩质量因子估计值；

将所述第一张量T1和所述第二张量T2进行concat拼接，形成第三张量T3，所述第三张量T3的形状为(4*C+1, W/2, H/2)；

将所述第三张量T2输入已训练的快速灵活去噪网络FFDNet，获得去噪后的张量，所述去噪后的张量的形状为(4*C, W/2, H/2)；

将所述去噪后的张量进行pixel_shuffle像素洗牌变换，获得所述去除压缩噪声后的图像。

2.根据权利要求1所述的方法，其特征在于，所述残差网络为18层网络，包括有17层卷积层和一层所述全连接层，所述卷积层和所述全连接层之间执行全局平均池化操作。

3.根据权利要求1所述的方法，其特征在于，所述全卷积神经网络的损失函数为绝对值损失函数。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述残差网络采用下述方法进行训练：获取不含压缩噪声的未压缩样本图像集，采用多个已知压缩质量因子值分别压缩所述未压缩样本图像集，形成压缩样本图像集；

利用所述压缩样本图像集和所述已知压缩质量因子值训练残差网络，获得所述已训练的残差网络。

5.根据权利要求4所述的方法，其特征在于，利用所述未压缩样本图像集、所述压缩样本图像集及所述已知压缩质量因子值训练所述全卷积神经网络，获得所述已训练的全卷积神经网络。

6.一种基于深度学习去除图像压缩噪声的装置，其特征在于，所述装置包括：压缩质量因子估计值获取单元，用于将待处理的图像输入已训练的残差网络，获取所述待处理的图像的压缩质量因子估计值；所述残差网络中，最后一层为全连接层，所述全连接层的神经元数量为1，所述残差网络的损失函数为平方损失函数；

压缩噪声去除单元，用于将所述待处理的图像及所述压缩质量因子估计值输入已训练的全卷积神经网络进行处理，获得去除压缩噪声后的图像；

所述全卷积神经网络为快速灵活去噪网络FFDNet，所述压缩噪声去除单元将所述待处理的图像及所述压缩质量因子估计值输入已训练的全卷积神经网络进行处理，获得去除压缩噪声后的图像，具体包括：对所述待处理的图像进行pixel_shuffle像素洗牌的逆变换，将所述待处理的图像变换为宽度和高度减半、通道数变为四倍的第一张量T1，所述第一张量T1的形状为(4*C, W/

2, H/2)；C为所述待处理的图像的原始通道数，W和H分别是所述待处理的图像的原始宽度和原始高度；

将所述压缩质量因子估计值作为一个通道，形成该通道的第二张量T2，所述第二张量T2的形状为（1, W/2, H/2），所述第二张量T2的每个元素均为所述压缩质量因子估计值；

将所述第一张量T1和所述第二张量T2进行concat拼接，形成第三张量T3，所述第三张量T3的形状为(4*C+1, W/2, H/2)；

将所述第三张量T2输入已训练的快速灵活去噪网络FFDNet，获得去噪后的张量，所述去噪后的张量的形状为(4*C, W/2, H/2)；

将所述去噪后的张量进行pixel_shuffle像素洗牌变换，获得所述去除压缩噪声后的图像。

7.根据权利要求6所述的装置，其特征在于，所述残差网络为18层网络，包括有17层卷积层和一层所述全连接层，所述卷积层和所述全连接层之间执行全局平均池化操作；所述全卷积神经网络的损失函数为绝对值损失函数。

8.一种处理器，其特征在于，包括上述权利要求6或7所述的基于深度学习去除图像压缩噪声的装置。