1.一种基于卷积神经网络的水下图像增强与复原方法，其特征在于：包括以下步骤：步骤1、输入一幅待处理水下图像和多幅常规图像，并使用该幅待处理水下图像退化多幅常规图像，得到多幅退化之后的常规图像，其中多幅常规图像均在大气中拍摄而成，且待处理水下图像与所有常规图像的大小和像素均相同；

步骤2、将多幅常规图像与其对应退化之后的常规图像组成训练集，然后将训练集中的每对数据依次输入到卷积神经网络中进行训练，得到训练完成的卷积神经网络，其中，退化之后的常规图像作为输入数据，常规图像作为输出数据；

步骤3、将步骤1中的待处理水下图像输入到步骤2训练完成的卷积神经网络中，输出第一图像；

步骤4、对步骤1中的待处理水下图像进行纹理增强，得到第二图像；

步骤5、对第一图像进行CIELAB颜色空间变换，得到颜色空间变换后的第一图像，并提取颜色空间变换后的第一图像的L亮度通道、A颜色通道和B颜色通道；

步骤6、将第二图像替换颜色空间变换后的第一图像的L亮度通道，并与颜色空间变换后的第一图像中的A颜色通道和B颜色通道共同组合得到第三图像，该第三图像为待处理水下图像复原与增强后的图像。

2.根据权利要求1所述的水下图像增强与复原方法，其特征在于：所述步骤1中使用待处理水下图像退化任一幅常规图像的具体步骤为：步骤1‑1、将待处理水下图像和任一幅常规图像均分割成M×N个大小相同的小块，且待处理水下图像和常规图像的大小均为H×W；

步骤1‑2、分别计算出待处理水下图像中的所有小块与常规图像的每个小块之间的纹理匹配度；待处理水下图像和常规图像中各小块之间的纹理匹配度dn(i)的计算公式为：其中，n为常规图像的小块编号，n∈[1,M×N]，i为待处理水下图像的小块编号，i∈[1,M×N]，p′n′为常规图像中第n个小块与拉普拉斯算子卷积后的结果，ri″为常规图像中第i个2

小块与拉普拉斯算子卷积后的结果；|| ||为范数的平方；

步骤1‑3、在待处理水下图像中分别找出常规图像中每个小块的最佳匹配块：其中，寻找常规图像中某个小块的最佳匹配块的具体方法为：在常规图像的某个小块与待处理水下图像的所有小块之间的纹理匹配度中选出最小数值，则该最小数值对应的待处理水下图像中小块对应为常规图像中某个小块的最佳匹配块；

步骤1‑4、采用直方图匹配的方式退化常规图像中的每个小块，并记录常规图像中的每个小块与退化后的图像之间的灰度值变换函数；

其中，常规图像中任一个小块退化的具体步骤为：以直方图的方式对常规图像中某个小块的灰度进行统计，常规图像中该小块的离散灰度值sk的计算公式为：其中，T(rk)为灰度值rk的灰度变换函数，L为直方图中的灰度级数，k＝0、1、2...L‑1，rj为常规图像中该小块的离散灰度值，pr为直方图分布函数，h×w为最佳匹配块的大小，nj为常规图像中该小块具有为灰度值rj的像素数；

根据以下公式：

‑1

得到：zq＝G (sk)

其中，G为变换函数，zq为常规图像中该小块退化后得到的图像中对应小块的离散灰度值；pz为待处理水下图像中与上述常规图像该小块对应的最佳匹配块的直方图分布函数，G‑1为变换函数G的反变换函数；

步骤1‑5、将常规图像中的每个小块按照田字形划分为4个子小块，其中，常规图像中同一个小块中的4个子小块的变换函数均相同，并采用插值的方式计算出常规图像中某个子小块退化后的灰度值映射值zm，计算公式为：‑1

其中，w为预设的插值权重，G1 为常规图像中任一子小块对应的反变换函数，‑1分别是常规图像中以反变换函数为G1 的子小块为中心的上、下、左、右相邻子小块对应的反变换函数；

步骤1‑6、采用步骤1‑4～1‑5计算出常规图像中的每个子小块的退化结果，并按照常规图像中每个子小块的位置顺序重新拼接得到该常规图像退化之后的图像。

3.根据权利要求1所述的水下图像增强与复原方法，其特征在于：所述步骤4的具体步骤为：步骤4‑1、对待处理水下图像进行灰度化，得到灰度化之后的待处理水下图像Iu；

步骤4‑2、将灰度化之后的待处理水下图像Iu进行对比度和亮度调整，得到图像Ic：计算公式为：其中，σu为图像Iu像素灰度值的标准差，σo为第一图像像素灰度值的标准差， 为图像Iu像素灰度值的平均值， 为第一图像像素灰度值的平均值；

步骤4‑3、采用单尺度Retinex的方法增强图像Ic的纹理，得到第二图像。