1.一种水下图像语义分割模型，其特征在于，包括：

预处理模块，用于对水下图像进行预处理得到输入图像；

编码器，包括五个阶段编码模块，第四阶段编码模块包含卷积注意力模块，所述卷积注意力模块中的通道注意力子模块对通道设置不同的权重，所述卷积注意力模块中的空间注意力子模块对空间信息设置不同的权重；所述编码器用于按权重进行特征提取；

解码器，用于恢复输入图像的细节信息和空间位置信息，得到分割之后的图像；

在编码器中，所述第四阶段编码模块输出的特征图经过通道注意力子模块，分别进行平均池化和最大池化后再进行相加和激活操作，得到特征图E17；所述特征图E17经过空间注意力子模块，沿通道分别对维度计算均值和最大值后再进行相加、卷积和激活操作；

所述第四阶段编码模块中，特征图E10作为输入再次进行编码，对图像进行三次卷积和激活操作，第一层的卷积核大小为3×3，步长为（1,1），填充为（1,1），输入通道数为256，输出通道数为512；第二层的卷积核大小为3×3，步长为（1,1），填充为（1,1），输入通道数为

512，输出通道数为512；第三层的卷积核大小为3×3，步长为（1,1），填充为（1,1），输入通道数为512，输出通道数为512；激活函数为ReLU函数，进行卷积、激活、卷积、激活、卷积、激活之后得到特征图E13；

其中，E11，E12，E13为表示卷积图像经过三次卷积分别产生的特征图；

将特征图E13送入卷积注意力模块，首先经过的是卷积注意力模块的通道注意力子模块，分两路进行；第一路对E13进行平均池化、卷积、激活、卷积等操作，得到E14，其中池化核为1，卷积核为1，激活函数为ReLU函数；第二路对E13进行最大池化、卷积、激活、卷积等操作得到E15，其中池化核为1，卷积核为1，激活函数为ReLU函数；

然后对E14和E15进行相加得到E16，并对E16进行激活操作得到E17，其中激活函数为sigmoid函数；然后将E17送入卷积注意力模块的空间注意力子模块，分两路进行，一路对E17沿着通道对维度计算均值得到E18，另一路沿着通道对维度计算最大值得到E19，然后将E19和E18相加得到E20，然后对E20进行卷积和激活操作得到E21。

2.根据权利要求1所述的水下图像语义分割模型，其特征在于，所述五个阶段编码模块中，第一阶段和第二阶段编码模块包含两个卷积层，第三阶段、第四阶段和第五阶段编码模块包含三个卷积层。

3.根据权利要求1所述的水下图像语义分割模型，其特征在于，所述解码器包含四个阶段解码模块，对编码后的特征图进行上采样、拼接、卷积和激活操作；其中第一、二、三阶段解码模块进行两次卷积，第四阶段解码模块进行三次卷积。

4.根据权利要求3所述的水下图像语义分割模型，其特征在于，所述第一阶段解码模块中将第一阶段上采样后的特征图与所述卷积注意力模块输出的特征图进行拼接；第二阶段解码模块中将第二阶段上采样后的特征图与所述第三阶段编码模块输出的特征图进行拼接；第三阶段解码模块中将第三阶段上采样后的特征图与所述二阶段编码模块输出的特征图进行拼接；第四阶段解码模块中为第四阶段上采样后的特征图与所述一阶段编码模块输出的特征图进行拼接。

5.根据权利要求1所述的水下图像语义分割模型，其特征在于，所述通道注意力子模块采用ELU激活函数。

6.根据权利要求1所述的水下图像语义分割模型，其特征在于，所述预处理模块对水下图像进行像进行尺寸调整并转化为RGB三通道，得到输入图像。

7.一种水下图像语义分割方法，其特征在于，包括如下步骤：

（1）对水下图像进行预处理；

（2）将预处理后的图像输入语义分割模型；所述语义分割模型使用UNet网络，在所述语义分割模型的编码器中包含卷积注意力模块，所述卷积注意力模块包含通道注意力子模块和空间注意力子模块，通道注意力子模块对通道设置不同的权重，空间注意力子模块对空间信息设置不同的权重；所述编码器按照权重进行特征提取；（3）采用预处理的数据集对所述语义分割模型进行训练；

在编码器中，所述第四阶段编码模块输出的特征图经过通道注意力子模块，分别进行平均池化和最大池化后再进行相加和激活操作，得到特征图E17；所述特征图E17经过空间注意力子模块，沿通道分别对维度计算均值和最大值后再进行相加、卷积和激活操作；

所述第四阶段编码模块中，特征图E10作为输入再次进行编码，对图像进行三次卷积和激活操作，第一层的卷积核大小为3×3，步长为（1,1），填充为（1,1），输入通道数为256，输出通道数为512；第二层的卷积核大小为3×3，步长为（1,1），填充为（1,1），输入通道数为

512，输出通道数为512；第三层的卷积核大小为3×3，步长为（1,1），填充为（1,1），输入通道数为512，输出通道数为512；激活函数为ReLU函数，进行卷积、激活、卷积、激活、卷积、激活之后得到特征图E13；

其中，E11，E12，E13为表示卷积图像经过三次卷积分别产生的特征图；

将特征图E13送入卷积注意力模块，首先经过的是卷积注意力模块的通道注意力子模块，分两路进行；第一路对E13进行平均池化、卷积、激活、卷积等操作，得到E14，其中池化核为1，卷积核为1，激活函数为ReLU函数；第二路对E13进行最大池化、卷积、激活、卷积等操作得到E15，其中池化核为1，卷积核为1，激活函数为ReLU函数；

然后对E14和E15进行相加得到E16，并对E16进行激活操作得到E17，其中激活函数为sigmoid函数；然后将E17送入卷积注意力模块的空间注意力子模块，分两路进行，一路对E17沿着通道对维度计算均值得到E18，另一路沿着通道对维度计算最大值得到E19，然后将E19和E18相加得到E20，然后对E20进行卷积和激活操作得到E21；

（4）将待分割的水下图像输入训练好的语义分割模型，输出分割后的图像。

8.根据权利要求7所述的水下图像语义分割方法，其特征在于，步骤（3）中采用预处理的数据集对语义分割模型进行训练，利用损失函数对训练模型进行约束，然后反向传播对参数进行迭代优化。