1.一种毫米波退化图像去噪去模糊方法，其特征在于，包括：构建毫米波仿真退化图像的训练集和测试集；

将训练集图像输入初始双任务网络模型进行训练，直至所述初始双任务网络模型的损失函数达到预设的收敛条件，其中，所述初始双任务网络模型的结构包括局部加式残差密集特征融合去噪子网络、局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网络及图像重建子网络；

将测试集图像输入到训练完成的双任务网络模型，输出测试复原图像。

2.根据权利要求1所述的毫米波退化图像去噪去模糊方法，其特征在于，所述构建毫米波仿真退化图像的训练集和测试集，包括：获取遥感图像集；

对所述遥感图像集中的遥感图像添加轻、中、重高斯模糊，并对应添加弱、中、强高斯噪声，以形成低、中、高三种程度的毫米波仿真退化图像；

将所述毫米波仿真退化图像与清晰图像进行拼接，并将拼接后的图像进行裁剪、归一化，得到所述毫米波仿真退化图像的训练集和测试集；

所述构建毫米波仿真退化图像的训练集，还包括：

对训练集中低、中、高毫米波仿真退化图像进行增广处理得到最终训练集，且低、中、高毫米波仿真退化图像的数量占比递进增加。

3.根据权利要求1所述的毫米波退化图像去噪去模糊方法，其特征在于，所述局部加式残差密集特征融合去噪子网络包括卷积层和局部加式残差密集特征融合块；

所述局部加式残差密集特征融合块是由多个加式残差块密集特征融合构成；

通过所述局部加式残差密集特征融合去噪子网络提取第一图像特征。

4.根据权利要求1所述的毫米波退化图像去噪去模糊方法，其特征在于，所述局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网络包括编码器与解码器；

所述编码器包括多个编码单元，所述解码器包括多个解码单元，每一编码单元及每一解码单元均包括卷积层和加式‑拼接半归一化残差密集块，所述加式‑拼接半归一化密集残差块是由多个半归一化残差块密集相加、拼接连接构成；

通过所述局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网络提取第二图像特征。

5.根据权利要求4所述的毫米波退化图像去噪去模糊方法，其特征在于，所述局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网络，还包括：在所述编码器和所述解码器之间引入交叉跳跃连接，交叉融合编码特征信息和解码特征信息；

在所述编码器和所述解码器之间引入交叉跳跃连接，交叉融合编码特征信息和解码特征信息，具体包括：使用3×3卷积和上采样计算对深层特征进行上采样然后与浅层特征进行特征图融合，并将融合的结果与解码器解码块输出特征融合，融合后的特征输入到解码器的下一个解码块中。

6.根据权利要求1所述的毫米波退化图像去噪去模糊方法，其特征在于，所述图像重建子网络包括局部加式残差密集特征融合块、卷积层及Tanh激活函数；

通过所述图像重建子网络将所述第一图像特征及所述第二图像特征进行融合重建。

7.根据权利要求1所述的毫米波退化图像去噪去模糊方法，其特征在于，所述双任务网络模型的训练过程，包括：将所述训练集图像输入所述局部加式残差密集特征融合去噪子网络中，提取第一训练图像特征；

将所述第一训练图像特征与所述训练集图像融合得到融合图像特征；

将所述融合图像特征输入所述局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网络中，提取第二训练图像特征；

将所述第一训练图像特征与所述第二训练图像特征进行特征融合后输入所述图像重建子网络，输出训练过程中的复原图像；

利用Adam算法训练所述初始双任务网络模型，设置训练参数，并采用MSE损失和感知损失作为训练的损失函数；

迭代更新所述初始双任务网络模型的权重，直至所述损失函数达到预设的收敛条件。

8.一种毫米波退化图像去噪去模糊装置，其特征在于，包括：数据集构建模块，用于构建毫米波仿真退化图像的训练集和测试集；

模型训练模块，用于将训练集图像输入初始双任务网络模型进行训练，直至所述初始双任务网络模型的损失函数达到预设的收敛条件，其中，所述初始双任务网络模型的结构包括局部加式残差密集特征融合去噪子网络、局部从低阶到高阶半归一化残差特征密集融合的去噪去模糊子网络及图像重建子网络；

模型测试模块，用于将测试集图像输入到训练完成的双任务网络模型，输出测试复原图像。

9.一种电子设备，其特征在于，包括存储器和处理器，其中，所述存储器，用于存储程序；所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至7中任一项所述毫米波退化图像去噪去模糊方法中的步骤。

10.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至7中任一项所述毫米波退化图像去噪去模糊方法中的步骤。