1.一种文本生成图像方法，其特征在于：所述方法包括以下步骤：步骤1：获取文本及对应的图像构成的数据集，进行预处理；

步骤2：构建基于AttnGAN的文本生成图像网络模型，所述网络模型包括预训练网络和多阶段生成网络，所述预训练网络引入Transformer模块；

步骤3：提取图像对应的文本描述的文本特征，文本特征包括单词特征和句子特征，对句子特征进行条件增强后与随机噪声合并、输入到Transformer模块，学习得到空间与位置信息；

步骤4：将步骤3学习到的特征信息输入到第一生成器，输出64*64低分辨率初始生成图像，将低分辨率初始生成图像和句子特征输入初始判别器进行判别；

步骤5：将步骤4生成的低分辨率初始生成图像进行下采样得到特征，单词特征输入到一个全局注意力模块得到新的单词特征，将两个特征一起输入到卷积神经网络学习，得到融合特征，再将融合特征输入到第二生成器，输出128*128图像，将128*128图像和句子特征输入二级判别器进行判别；

步骤6：将步骤5生成的128*128图像进行下采样得到特征，单词特征输入到一个全局注意力模块得到新的单词特征，将两个特征一起输入到卷积神经网络学习，得到新的融合特征，将新的融合特征输入第三生成器，输出256*256图像，将256*256图像和句子特征输入三级判别器判别；

步骤7：将步骤6生成的图像作为最终生成图像，输出。

2.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤2中，Transformer模块包括Encoder模块和Decoder模块；所述Encoder模块包括三个顺次连接的第一子模块，任一第一子模块包括顺次连接的self‑attention层、归一化层和全连接层；

所述Decoder模块包括三个顺次连接的第二子模块，任一第二子模块包括顺次连接的第一self‑attention层、第一归一化层、第二self‑attention层、第二归一化层和全连接层；

所述Encoder模块的输出分别输入三个第二子模块的第二self‑attention层；

所述Encoder模块的第一个第一子模块和Decoder模块的第一个第二子模块分别对应为输入端，所述Decoder模块的第三个第二子模块的输出端对应为输出端。

3.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤3中，将句子特征与随机噪声合并输入到Transformer模块，学习得到空间与位置信息包括以下步骤：步骤3.1：以句子特征通过条件增强模块得到特征向量其中， 为文本的句子特征， 为文本的句子特征向量的均值向量， 为文本的句子特征向量的协方差矩阵，ε为单位高斯分布N(0,1)的分布采样；

步骤3.2：将得到的特征向量 与随机噪声向量 合并，得到e，将e作为Transformer模块的输入；

步骤3.3：在Transformer模块中，将e转换在注意力空间中，得到三个表示向量：计算权重信息

其中， αj,i表示合成图像第j个区域时的第i个位置的权重信息；最后得到带注意力机制的图像特征矩阵步骤3.4：整合特征矩阵，得到Transformer输出特征向量h，

4.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤4中，第一生成器的损失函数为

其中， 表示数学期望，G1和D1分别为第一生成器和初始判别器，λ表示决定DAMSM模块对生成器损失函数影响大小的超参数，h表示Transformer的输出特征向量，e表示句子特征与随机噪声向量联合后的文本特征向量，LDAMSM表示训练网络DAMSM模块得出的损失函数。

5.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤4中，初始判别器的损失函数为LD1＝L1+L2，其中L1表示判别输入图像是否真实，L2表示判别输入图像与文本是否语义一致，

其中，表示数学期望，x表示文本描述对应真实图像，表示文本描述对应第一生成器生成的图像，e表示句子特征与随机噪声向量联合后的文本特征向量。

6.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤5中，第二生成器的损失函数为

其中， 表示数学期望，K＝S(F(h,e1))，G2和D2分别为第二生成器和二级判别器，λ1表示决定DAMSM模块对第二生成器损失函数影响大小的超参数，h表示Transformer的输出特征向量，e1表示单词特征，LDAMSM表示训练网络DAMSM模块得出的损失函数，F表示全局注意力生成模块，S表示神经网络下采样模块。

7.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤5中，二级判别器的损失函数为LD2＝L1+L2，其中L1表示判别输入图像是否真实，L6表示判别输入图像与文本是否语义一致，

其中， 表示数学期望，x表示文本描述对应真实图像，表示文本描述对应第二生成器生成的图像，e表示句子特征与随机噪声向量联合后的文本特征向量。

8.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤6中，第三生成器的损失函数为

其中，K＝S(F(F(h,e1)))，G3和D3分别为第三生成器和三级判别器，λ2表示决定DAMSM模块对第三生成器损失函数影响大小的超参数，h表示Transformer的输出特征向量，e1表示单词特征，e表示句子特征与随机噪声向量联合后的文本特征向量，LDAMSM表示训练网络DAMSM模块得出的损失函数，F(h,e1)表示经过全局注意力模块学习到的特征向量。

9.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述步骤6中，三级判别器的损失函数为LD3＝L1+L2，其中，L1表示判别输入图像是否真实，L6表示判别输入图像与文本是否语义一致，

其中， 表示数学期望，x表示文本描述对应真实图像，表示文本描述对应第三生成器生成的图像，e表示句子特征与随机噪声向量联合后的文本特征向量。

10.根据权利要求1所述的一种文本生成图像方法，其特征在于：所述基于AttnGAN的文本生成图像网络模型的训练阶段中，将单词特征通过DAMSM模块后的结果与256*256图像通过图像解码器后的结果进行比较，并基于比较结果调整文本生成图像网络模型。