1.基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，包括如下步骤：步骤1，建立取样样本；

步骤2，根据步骤1中的取样样本，进行预处理，得到最终训练数据；

步骤3，将步骤2中得到的最终训练数据进行训练，依次更新辨别器权重和生成器权重；

步骤4，将待处理的碑帖数据样本带入经步骤3更新的辨别器和生成器中进行加噪，得到模拟噪声后的配对碑帖数据集。

2.如权利要求1所述的基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，所述步骤1的具体过程为：收集多张碑帖图像，将其人工分为干净图像和噪声图像两类，最终分别得到m张不配对的带噪声图片和干净图像，即为取样样本。

3.如权利要求1所述的基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，所述步骤2的具体过程为：步骤2.1，对步骤1取样样本中的带噪图片和干净图片，进行二值化操作，若二值化后的图片背景色为黑色则进行反色操作，即将二值化后的碑帖背景由黑色转为白色，字体由白色转为黑色，便于噪声模拟；

步骤2.2，对步骤2.1处理后的2m张图片，将每张图片随机切割成大小为c×r的图片，即得到2m张大小为c×r的图片；汇总后得到训练数据集。

4.如权利要求1所述的基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，所述步骤3的具体过程为：步骤3.1，选取步骤2中任意一个干净图像X，输入生成器网络G，干净的图像X经过生成器网络G计算，输出一张与输入图像一样大小的带有模拟噪声的图像fake_img0＝G(X)，将得到的带有模拟噪声的图像fake_img0输入另一个生成器网络F得到大小与干净图像X相同的对模拟噪声去除后的图像fcleaned_img＝F(G(X))；

步骤3.2，选取步骤2中任意一个带噪声图像Y，输入生成器网络F，带噪声的图像Y经过生成器网络F计算，输出一张与输入图像一样大小的去除噪声后的图像fake_img1＝F(Y)，将得到的去除噪声后的图像fake_img1输入步骤3.1中的生成器网络G得到大小与输入图像Y相同的加上模拟噪声后的图像fnoised_img＝G(F(Y))；

步骤3.3，将步骤3.1得到的图像fake_img0＝G(X)和步骤3.2选取的噪声图像Y分别输入生成网络G对应的辨别器网络Dy，输出概率值Dy(G(X))和Dy(Y)，建立生成器G与辨别器Dy的对抗损失函数；

步骤3.4，将步骤3.2得到的图像fake_img1＝F(Y)和步骤3.1选取的干净图像X分别输入生成器网络F对应的辨别器网络Dx，输出概率是Dx(F(Y))和Dx(X)，建立生成器F与辨别器Dx的对抗损失函数；

步骤3.5，计算出步骤3.4中生成器G和F以及辨别器Dx和Dy的损失，使用Adam梯度下降方法来依次更新辨别器网络权重Adam(ω,DyLossω,α)，Adam(ω,DxLossω,α)和生成器网络的权重Adam(θ,GLossθ,α)，Adam(θ,FLossθ,α)，其中α表示梯度下降的学习率且α＝0.0002，

当Dy(G(X))≈Dy(Y)，则fake_img0≈Y，得到经过生成器网络G后的图像fake_img0即为加噪后的图像，训练完成。

5.如权利要求4所述的基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，设定步骤3.1-3.2生成器G和F之间的循环一致性损失函数为公式(1)：其中 表示X服从真实干净数据概率分布的期望， 表示Y服从真实带噪

数据概率分布的期望，||.||2表示欧式距离，F(G(X))表示干净图像经过生成器G加噪然后经过生成器F进行去噪后的结果，G(F(Y))表示带噪图像经过生成器F去噪然后经过生成器G进行加噪后的结果。

6.如权利要求4所述的基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，所述步骤3.3的生成器G与辨别器Dy的对抗损失函数为公式(2)：公式(2)可分解为：

GLossθ＝log(1-Dy(G(X)))+λLcyc(G)      (3)DyLossω＝-logDy(Y)-log(1-Dy(G(X)))     (4)其中Dy(G(X))表示生成图像G(X)输入辨别器网络Dy后的输出值，表示该图像为真的概率；Dy(Y)表示带噪图像Y输入辨别网络Dy后的输出值，表示该图像为真的概率；Lcyc(G)表示生成器G的循环一致性损失，λ为常数且λ＝100，GLossθ表示生成器G的损失函数，DyLossω表示辨别器Dy的损失函数，其中θ和ω分别表示为生成器网络G的权重和辨别器网络Dy的权重。

7.如权利要求4所述的基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，所述步骤3.4生成器F与辨别器Dx的对抗损失函数为公式(5)：公式(5)可分解为：

FLossθ＝log(1-Dx(F(Y)))+λLcyc(F)      (3)DxLossω＝-logDx(X)-log(1-Dx(F(Y)))     (4)其中Dx(F(Y))表示生成图像F(Y)输入辨别器网络Dx后的输出值，表示该图像为真的概率；Dx(X)表示干净图像X输入辨别网络Dx后的输出值，表示该图像为真的概率；Lcyc(F)表示生成器F的循环一致性损失，λ为常数且λ＝100，FLossθ表示生成器F的损失函数，DxLossω表示辨别器Dx的损失函数，其中θ和ω分别表示为生成器网络F的权重和辨别器网络Dx的权重。

8.如权利要求1所述的基于循环一致性对抗网络的碑帖二值化背景噪声模拟方法，其特征在于，所述步骤4的具体过程为：步骤4.1，将需要加噪的干净碑帖图像二值化，得到二值化碑帖图像img_bw；人为判断二值化碑帖图像img_bw背景是否为白色，如果不是白色则进行操作:img_bw＝1-img_bw；

步骤4.3，将步骤1处理后图像的输入经步骤3更新的生成器G中，得到G(img_bw)，输出结果G(img_bw)即加上模拟噪声后的结果。