1.一种用于图像固定值脉冲噪声去噪模型的训练方法，其特征在于：包括以下步骤：步骤1：选择并处理训练集；

步骤2：训练噪声密度估计子模型：对训练集中的每张训练图片分别加入噪声，生成噪声图片；将得到的所有噪声图片依次输入到噪声密度估计子模型中，噪声密度估计子模型分别输出对应的噪声密度，采用梯度下降法不断优化噪声密度估计子模型中的参数使第一损失函数值最小，其中，第一损失函数为： 其中，loss1为第一损失函数值，Dpred‑i为第i个噪声图片经过噪声密度估计子模型预测后输出的噪声密度，Dlabel‑i为输入的第i个噪声图片的噪声密度，i表示噪声图片的编号，n表示噪声图片的总量；

步骤3：训练噪声像素恢复子模型；根据步骤2中得到的噪声图片的噪声密度生成噪声密度图，将生成的噪声密度图与对应的噪声图片合成噪声像素恢复子模型的输入数据，根据Adam优化器对第二损失函数求导，对噪声像素恢复子模型中的权重不断更新，使第二损失函数值最小；其中，第二损失函数为： 其中，loss2为第二损失函数值，Yi为第i个噪声图片所对应的干净图像，Ypred‑i为第i个噪声图片经过噪声像素恢复子模型输出的去噪图像。

2.根据权利要求1所述的用于图像固定值脉冲噪声去噪模型的训练方法，其特征在于：所述步骤1中还包括验证集和测试集，所述验证集分别用于调整噪声密度估计子模型和噪声像素恢复子模型中的超参数；所述测试集用于测试训练完成的噪声密度估计子模型和噪声像素恢复子模型。

3.根据权利要求1所述的用于图像固定值脉冲噪声去噪模型的训练方法，其特征在于：所述步骤1中训练集包括低照度图片、高亮度图片和均匀亮度图片，对训练集中所有图片的像素值进行归一化处理，并统一所有图片尺寸。

4.根据权利要求1所述的用于图像固定值脉冲噪声去噪模型的训练方法，其特征在于：所述噪声密度估计子模型基于Resnet34网络模型，将Resnet34网络模型的全连接层输出端分类数量设置为1，将分类模型变为回归预测模型。

5.根据权利要求1所述的用于图像固定值脉冲噪声去噪模型的训练方法，其特征在于：所述步骤2中对训练集中的每张训练图片分别加入噪声的方法为：对每张训练图片分别加入10％～90％密度的固定值脉冲噪声，噪声密度间隔为10％。

6.根据权利要求1所述的用于图像固定值脉冲噪声去噪模型的训练方法，其特征在于：所述噪声像素恢复子模型在训练的过程中，进行卷积之前对输入的图像进行边界填充0像素操作。

7.根据权利要求1所述的用于图像固定值脉冲噪声去噪模型的训练方法，其特征在于：所述噪声像素恢复子模型在训练过程采用Adam优化器，学习率衰减，初始学习率为0.001，每迭代50次更新学习率，学习率依次设为0.0008、0.0004、0.0002、0.0001和0.00005；训练迭代总次数为300次。

8.一种图像固定值脉冲噪声去噪方法，其特征在于：包括以下步骤：步骤1：噪声图像灰度化，记为Inoise；

步骤2：设定与Inoise同尺寸的噪声标签矩阵M，噪声标签矩阵M初始为零矩阵，并根据灰度化的噪声图像修改噪声标签矩阵M中的元素值，修改依据为：如果Inoise(x，y)＝0或者Inoise(x，y)＝1，则M(x，y)＝1，其中，Inoise(x，y)表示灰度化的噪声图像Inoise中第x行第y列的像素值，M(x，y)表示噪声标签矩阵M中第x行第y列的元素值；

步骤3：将灰度化的噪声图像输入到权利要1～7中任意一项得到的噪声密度估计子模型中，噪声密度估计子模型输出估计的噪声密度Dpred，根据得到的噪声密度Dpred扩充成与噪声图像Inoise尺寸相同的噪声密度图Dmap；

步骤4：合并噪声图像与噪声密度图，得到合并数据X＝[Inoise，Dmap]；

步骤5：将X输入到权利要1～7中任意一项得到的噪声像素恢复子模型中，得到去噪后的图像Ypred；

步骤6：结合步骤1得到的噪声标记矩阵M，根据以下公式获得最终干净图像J：其中，J(x，y)表示干净图像中第x行第y列的像素值，Ypred(x，y)表示去噪后的图像中第x行第y列的像素值。

9.一种存储软件的计算机可读介质，其特征在于，所述软件包括能通过一个或多个计算机执行的指令，所述指令通过这样的执行使得所述一个或多个计算机执行操作，所述操作包括如权利要求8中所述的图像固定值脉冲噪声去噪方法的流程。

10.一种计算机系统，其特征在于，包括：一个或多个处理器；

存储器，存储可被操作的指令，所述指令在通过所述一个或多个处理器执行时使得所述一个或多个处理器执行操作，所述操作包括如权利要求8所述的图像固定值脉冲噪声去噪方法的流程。