1.一种基于多尺度残差注意力网络的sar图像去噪方法，其特征在于，步骤如下：
步骤1，构建训练集并对训练样本进行归一化操作；
步骤2，搭建多尺度残差注意力网络模型；
步骤3，设置多尺度残差注意力网络训练模型参数并进行模型训练；
步骤4，将噪声图像输入到训练好的模型中，得到去噪图像。
2.根据权利要求1所述的基于多尺度残差注意力网络的sar图像去噪方法，其特征在于，步骤1中构建训练集的方法，具体步骤如下：
首先，选取光学遥感图像作为训练集，图像变换为灰度图使深度为1用来作为无噪声图像；
其次，给所有灰度图像添加不同视数幅度形式的相干斑噪声得到合成sar噪声图像；
然后，将得到的无噪声和合成sar图像噪声图像作为样本对，以步长为10切割成40×40大小的图像，并将每对大小为40×40的图像块进行数据增强操作以扩大训练样本，最终得到图像块，以形成训练样本对；数据增强操作包括对图像块进行翻转操作、90度以及180度的旋转操作；
最后，使用归一化方法将所有的训练样本对归一化到0～1之间。
3.根据权利要求1所述的基于多尺度残差注意力网络的sar图像去噪方法，其特征在于，步骤2所述搭建多尺度残差注意力网络模型，其中网络模型的结构包括1个多尺度卷积组、1个卷积、1个主干分支、1个掩码分支以及1个跳跃连接，其中主干分支包括6个卷积核大小为3×3卷积层与两个跳跃连接；掩码分支用来生成注意力权重，包括1个非局部模块、1个卷积核大小为3×3的大步长卷积层、1个转置卷积层、1个卷积核大小为1×1的卷积层以及sigmoid函数层，网络具体结构设置如下：
sar噪声图像首先经过多尺度卷积组，即输入分别经卷积核大小为3×3、5×5以及7×7的3个卷积层，并将这3个卷积层的输出结果进行特征拼接操作，提取不同尺度的图像特征，而且这三种不同尺寸的卷积核数量设置为30、20、12；多尺度卷积组中的所有卷积都会跟着一个relu激活函数；在多尺度卷积组后分别接入主干分支和掩码分支；掩码分支用于生成注意力权重并与主干分支进行按元素点乘运算，得到的结果与多尺度卷积组的输出即主干分支与掩码分支的输入进行按元素点加运算，得到的输出经过卷积核大小为3×3，通道数为1的卷积操作后与sar噪声图像进行按元素相减操作，最终得到去噪图像。
4.根据权利要求3所述的基于多尺度残差注意力网络的sar图像去噪方法，其特征在于，所述主干分支用来进行特征处理，主干分支由6个卷积层及2个跳跃连接组成；在主干分支的所有卷积后面分别添加一个relu激活函数以组成6个卷积层；所述主干分支中，分别在输入与第二个卷积层的输出之间、第三个卷积层输出与第五个卷积层输出之间添加跳跃连接；所述掩码分支按顺序由1个非局部模块、1个卷积层、1个大步长卷积、1个转置卷积、1个卷积核大小为1×1的卷积以及sigmoid函数组成；所述卷积层由卷积核大小为3×3的卷积及relu激活函数组成；所述大步长卷积的卷积核大小为3×3，步长设置为2；所述转置卷积的卷积核大小为6×6，步长为2，padding设为2。
5.根据权利要求4所述的基于多尺度残差注意力网络的sar图像去噪方法，其特征在于，步骤3所述设置多尺度残差注意力网络训练模型参数并进行模型训练，具体为：
训练网络模型过程中，训练轮数60轮，批量大小batch_size大小为64，采用adam优化方式，初始学习率设为0.001，而后每经过30轮次学习率除以10，其余卷积核个数即通道数都为64，其余卷积步长都为1，其余padding按公式(1)计算，选取公式(2)作为损失函数，并以最小化损失函数为目标来训练多尺度非局部残差网络模型；
其中，padding表示填充值，kernel_size表示卷积核尺寸大小；式(1)中的除法运算表示得到的商值取整；
其中lloss为损失函数，h，w分别表示图像的高和宽，y，x分别表示去噪图像和含噪图像。