1.一种基于深度学习的水下偏振图像复原系统，其特征在于，包括水下主动成像系统；

所述水下主动成像系统包括设置在水下目标物上(7)外侧的主动光源、偏振调制系统和图像采集系统；所述主动光源包括对准所述水下目标物上(7)进行激光照射的激光器(1)，所述偏振调制系统包括设置在所述激光器(1)照射光束路径上的第一偏振片(2)，第一四分之一波片(3)和扩束器(4)，用于所述激光器(1)发出的光束依次经过所述第一偏振片(2)、所述第二四分之一波片(10)和所述扩束器(4)后照射在水下目标物上(7)；所述图像采集系统包括对准所述水下目标物上(7)的第一CMOS相机(11)、第二四分之一波片(10)、由步进电机控制旋转的第二偏振片(8)和计算机(13)；所述第二四分之一波片(10)和第二偏振片(8)分别设置在所述第一CMOS相机(11)与所述水下目标物上(7)的光束反射路径上，用于所述水下目标物(7)将所述激光器(1)发出的光束反射后依次经过所述第二偏振片(8)、第二四分之一波片(10)后到达所述第一CMOS相机(11)；所述计算机(13)与所述步进电机电连接。

2.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述第二偏振片(8)和第二四分之一波片(10)之间设置分束器(9)和第二CMOS相机(12)，所述第二CMOS相机(12)对准所述分束器(9)；通过所述分束器(9)将所述水下目标物(7)反射后经过第二偏振片(8)的光束分成两束光束，其中一束光束经过所述第二四分之一波片(10)到达所述第一CMOS相机(11)，另一束光束直接到达所述第二CMOS相机(12)。

3.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述第二偏振片(8)设有与其相连接的偏振片底座，所述偏振片底座由所述步进电机控制旋转，用于自动调整所述第二偏振片(8)的旋转角度。

4.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述激光器(1)采用532nm蓝绿激光器。

5.根据权利要求1所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，所述计算机(13)用于接收并处理所述第一CMOS相机(11)和所述第二CMOS相机(12)拍摄的图像信息。

6.一种基于深度学习的水下偏振图像复原系统复原方法应用于如权利要求1‑4任一所述的一种基于深度学习的水下偏振图像复原系统，其特征在于，包括以下复原步骤：

步骤1、搭建水下主动成像系统；所述激光器(1)发出的光束依次经过所述第一偏振片(2)、所述第二四分之一波片(10)和所述扩束器(4)后照射在水下目标物上(7)，所述水下目标物(7)将所述激光器(1)发出的光束反射后依次经过所述第二偏振片(8)、所述分束器(9)、第二四分之一波片(10)后到达所述第一CMOS相机(11)；其中所述分束器(9)将所述水下目标物(7)的反射光束分成另一束光束直接到达所述第二CMOS相机(12)；第二四分之一波片(10)

步骤2、建立数据集；首先拍摄水下中清晰强度图像，然后加入不同浓度脱脂牛奶，利用步进电机控制相机前偏振片，旋转至0°、45°、90°，并加入四分之一波片，得到0°、45°、90°、圆偏振四张图像；

步骤3裁剪图像；通过翻转扩大数据集，将得到的图像按0.8：0.1：:0.1的比例分为训练集，验证集；

步骤4、设计卷积神经网络；使用了九个卷积层，通过融合不同大小的滤波器形成多尺度特征，将浑浊水下拍摄的0°、45°、90°、圆偏振四张图作为卷积神经网络的输入；得到K估计模块，从而计算生成恢复图像；步骤5、得到K估计模块之后，图像生成模块由乘法层和加法层组成，通过计算生成恢复图像；

步骤6、利用步骤4中的卷积神经网络训练步骤3中拍摄的训练集，并利用步骤3中的验证集验证神经网络复原图像效果，得到卷积神经网络模型；

步骤7、利用步骤3中的测试集测试步骤4中训练的卷积神经网络模型，并用图像增强指标衡量图像复原效果。

7.根据权利要求6所述的一种基于深度学习的水下偏振图像复原系统及其复原方法，其特征在于，在步骤4中，首先细化每幅图像的特征信息，将粗尺度网络特征与细尺度网络的中间层连接起来；利用第三层的连接块连接第一层和第二层的特征信息；通过卷积层，再次细化特征信息；第五层的连接块连接了第二层和第四层的特征信息；第六层连接了第一、四、五层的特征信息；最后3*3卷积层和线性激活函数 得到K估计模块。