1.一种基于边缘增强和卷积神经网络的图像去噪方法，其特征在于：具体包括如下步骤：步骤1，选取n张图像作为训练样本，然后对训练样本中的每张图像进行处理，对处理后的图像进行canny边缘检测得到对应的边缘矩阵K；

所述步骤1的具体步骤为：

将训练样本中的每张图像随机分割出m×m大小的图像，并对分割后的每张m×m大小的图像进行高斯加噪得到噪声图像，再使用NLM对得到的噪声图像进行预去噪，然后对得到的预去噪结果进行canny边缘检测得到对应的边缘矩阵K；

步骤2，对步骤1中进行处理后的图像进行NSCT变换，得到低频子带图L、与低频子带图对应的NSCT系数及高频子带图J、与高频子带图对应的NSCT系数；

所述步骤2具体步骤为：

将步骤1中的噪声图像作为噪声样本，把每张噪声样本图片进行NSCT变换，得到与进行NSCT变换之前的噪声样本尺寸相同的低频子带图L和高频子带图J，及与低频子带图对应的NSCT系数和与高频子带图对应的NSCT系数；

步骤3，采用步骤1所得的边缘矩阵K对步骤2中的高频子带图J的边缘进行定位，并且将与高频子带图对应的NSCT系数进行放大，最后将定位后的高频方向子带图和步骤2所得的低频子带图进行NSCT逆变换得到最终待训练的边缘增强后的噪声图像X；

所述步骤3的具体步骤为：

步骤3.1，设当边缘矩阵K中的坐标值为0时，代表该位置像素是非边缘像素，当边缘矩阵K中的坐标值为1时，代表该位置像素是边缘像素；

步骤3.2，设高频方向子带图J中的像素点为J(x,y)；

步骤3.3，采用步骤1所得的边缘矩阵K对步骤2中的高频子带图J的边缘进行定位，当高频子带图J中对应的边缘矩阵中的点K’(x,y)＝1，则认为该像素点为边缘像素点，并且将与高频子带图对应的NSCT系数放大1.5～2倍数，当高频子带图J中对应的边缘矩阵中的点K’(x,y)＝0，则与高频子带图对应的NSCT系数不变；

步骤3.4，将步骤2所得的低频子带图L和步骤3.3处理过的高频子带图J进行NSCT逆变换重构得到待训练的边缘增强后的噪声图像X；

步骤4，将步骤3中得到的边缘增强后的噪声图像输入到残差去噪网络中进行训练学习，得到最终去噪之后的干净图像；

所述步骤4的具体步骤为：

步骤4.1，设计残差去噪网络，此网络包含三部分：

第一部分是第一层低层特征提取层，包括conv卷积操作和ReLu激活函数；第二部分包含若干层残差块，第三部分为位于最后一层的重构层；

步骤4.2，将步骤3.4中得到的边缘增强后的噪声图像X输入到步骤4.1中设计好的残差去噪网络的第一层，进行卷积操作浅层特征提取以获得图像矩阵T0，将噪声图像X从空间映射转换为特征映射中；

步骤4.3，将步骤4.2中获得的图像矩阵T0输入到残差去噪网络中的第二部分，即中间具有若干层相同结构且依次连接的残差块进行深层的特征映射获得映射后的图像矩阵T0+T1+T2+...+Tx，其中x表示网络的第x个残差块；

步骤4.4，将步骤4.3中从多个残差模块中一层一层进行特征映射获得的图像矩阵T0+T1+T2+...+Tx输入到残差去噪网络的最后一层重构层进行卷积操作，将图像矩阵T0+T1+T2+...+Tx从特征映射转换到空间映射，即学习到噪声图像X的残差图像Y；

步骤4.5，设定如下公式(1)所示的损失函数：

其中，M,N分别表示图像的长和宽，f(i,j)表示待训练的干净图像P的残差图像Q在(i,j)处的像素值， 表示边缘增强后的噪声图像X经过网络训练后得到的残差图像Y在(i,j)处的像素值；

步骤4.6通过步骤4.5设定的损失函数对残差图像Y进行训练，经过若干次迭代，当损失函数值达到最小时，得到最佳的残差图像Y；

步骤4.7，根据4.6得到最佳的残差图像Y，然后在整个残差去噪网络的第一层输入端和最后一层输出端连接一条全局跳跃连接进行相减操作，获得最终去噪之后的干净图像X‑Y。