1.一种基于卷积对神经网络的图像去噪方法，其特征在于，包括以下步骤：
S1：搭建卷积对神经网络模型，所述卷积对神经网络模型包括多个卷积对和相应的激活层；
S2：选取训练集，并设置所述卷积对神经网络模型的训练参数；
S3：根据所述卷积对神经网络模型及其训练参数，以最小化损失函数为目标训练所述卷积对神经网络模型形成图像去噪神经网络模型；
S4：将待处理的图像输入到所述图像去噪神经网络模型，输出去噪后的图像。
2.根据权利要求1所述的图像去噪方法，其特征在于，步骤S1中的所述卷积对是由一个卷积核大于1×1的卷积层和一个卷积核为1×1的卷积层组成。
3.根据权利要求2所述的图像去噪方法，其特征在于，卷积核大于1×1的卷积层的卷积核大小为3×3、5×5、7×7、9×9或11×11。
4.根据权利要求1至3任一项所述的图像去噪方法，其特征在于，步骤S1中搭建的所述卷积对神经网络模型中在多个所述卷积对后还添加一个1×1的卷积层和相应的激活层。
5.根据权利要求4所述的图像去噪方法，其特征在于，所述卷积对神经网络模型包括3个卷积对和一个1×1的卷积层、以及每个卷积层后相应的激活层，其中3个卷积对中的第一个卷积对由卷积核大小分别为11×11和1×1的两层卷积层组成，第二个卷积对和第三个卷积对均由卷积核大小分别为5×5和1×1的两层卷积层组成。
6.根据权利要求5所述的图像去噪方法，其特征在于，所述训练集包括多张噪声图像和相应的干净图像，步骤S2还包括：将所述噪声图像分割成38×38的噪声图像块，将所述干净图像分割成20×20的干净图像块。
7.根据权利要求1所述的图像去噪方法，其特征在于，步骤S3中的损失函数L(θ)为均方误差函数：
其中，MSE为均方误差，Xi、Yi分别为选取的所述训练集中的图像的噪声图像块和干净图像块，θ表示权重；n表示图像块的个数；F函数表示训练出的 噪声图像到干净图像的映射。
8.根据权利要求7所述的图像去噪方法，其特征在于，步骤S3中在训练所述卷积对神经网络模型过程中，所述卷积对神经网络模型的权重的初始值由高斯随机函数生成，最小化损失函数采用Adam优化方法。
9.根据权利要求8所述的图像去噪方法，其特征在于，步骤S3中的所述图像去噪神经网络模型是根据最小化损失函数获得的卷积层的权重来建立的。
10.根据权利要求1所述的图像去噪方法，其特征在于，步骤S2中所述训练集中选取包含多种噪声方差的多张图像，步骤S3中对多种噪声方差的多张图像分别训练所述卷积对神经网络模型形成多种对应的噪声方差下的所述图像去噪神经网络模型，步骤S4中将待处理的图像输入到相应的噪声方差下的所述图像去噪神经网络模型，输出去噪后的图像。