1.一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于，包括：

S1、彩色图像转换为黑白图像，然后截取若干个图像块；

S2、将所截取的图像块添加随机密度的椒盐噪声，得到噪声图像；分别对添加和未添加椒盐噪声的位置进行区别标记，生成噪声掩膜；

S3、(1)将噪声图像和噪声掩模组合在一起，构成一一对应的“噪声图像-噪声掩模”对，用作训练MCNN的数据集，得到MCNN网络模型；

(2)将噪声图像和干净图像组合在一起，构成一一对应的“噪声图像-干净图像”对，用作训练DCNN的数据集，得到DCNN网络模型；

S4、噪声图像进行去噪：用MCNN对图像中的噪点进行标记，对于MCNN标记为噪点的像素，采用DCNN网络模型对噪声图像进行去噪。

2.根据权利要求1所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述MCNN网络模型包括若干个卷积层，其中第一个和最后一个卷积层为常规卷积层，第一个卷积层将输入的噪声图像生成若干个卷积张量，最后一个卷积层对输入的所有张量生成1张噪声掩模，两个所述常规卷积层之间为多个重复的深度可分离卷积层。

3.根据权利要求2所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述MCNN网络模型包括8～12个卷积层，其中第一个和最后一个卷积层为常规卷积层，第一个卷积层将输入的噪声图像生50～70个卷积张量，最后一个卷积层对输入的所有张量生成1张噪声掩模，两个所述常规卷积层之间为5～10个重复的深度可分离卷积层。

4.根据权利要求3所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述MCNN网络模型包括10个卷积层，其中第一个和最后一个卷积层为常规卷积层，第一个卷积层将输入的噪声图像生成64个卷积张量，最后一个卷积层对输入的64个张量生成1张噪声掩模，两个所述常规卷积层之间为8个重复的深度可分离卷积层。

5.根据权利要求1～4中任一项所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述DCNN网络模型包括若干个卷积层，其中第一个卷积层和最后一个卷积层是常规卷积层，第一个卷积层将输入的噪声图像生成若干个卷积张量，最后一个卷积层对输入的所有个张量生成1张噪声掩模，两个所述常规卷积层之间是多个重复的深度可分离卷积层。

6.根据权利要求5所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述DCNN网络模型包括15～20个卷积层，其中第一个卷积层和最后一个卷积层是常规卷积层，第一个卷积层将输入的噪声图像生成48～64个卷积张量，最后一个卷积层对输入的所有张量生成1张噪声掩模，两个所述常规卷积层之间是12～18个重复的深度可分离卷积层。

7.根据权利要求6所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述DCNN网络模型包括17个卷积层，其中第一个卷积层和最后一个卷积层是常规卷积层，第一个卷积层将输入的噪声图像生成64个卷积张量，最后一个卷积层对输入的64个张量生成1张噪声掩模，两个所述常规卷积层之间是15个重复的深度可分离卷积层。

8.根据权利要求1所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述MCNN和DCNN的训练周期为50个训练周期。

9.根据权利要求8所述的一种基于轻量级双卷积神经网络的图像去噪方法，其特征在于：所述MCNN训练时长为74分钟，DCNN训练时长为146分钟。