1.一种结合注意力机制和Retinex模型的低光图像增强方法，其特征在于：包括以下步骤：建立信息提取网络Decomposition‑Net、反射率恢复网络Restore‑Net和光照调节网络Adjust‑Net；

在分解阶段，通过Decomposition‑Net将成对的低光图像和正常光图像分解为反射率和光照 ，表示为 ；

在反射率恢复阶段，通过Restore‑Net来恢复反射率和抑制隐藏的噪声，并在的引导下以区域自适应的方式实现反射率恢复，表示为 ；

在光照调节阶段，使用Adjust‑Net来对光照进行调节，并使用重建的反射率和低照度共同联合预测图像的照度层，这种联合预测利用了注意力信息，使光照调整达到更好的效果，表示为 ；

建立三个子网分别对 进行建模；

所述信息提取网络包括：

图像分解网络：用于从图像中同时提取反射率和光照；

注意力网络：通过Attention‑Net来提取图像的注意力图 来检测曝光不足的程度，并在Restore‑Net阶段用其引导反射率恢复网络；

所述反射率恢复网络包括：

Residual in Residual模块，RIR模块利用深度残差为反射率恢复网络提供了强大的像素调整能力，有效地抑制噪声和进行色彩校正；

Attention Residual in Residual模块，首先利用两个两层卷积从 中提取特征和 ，然后利用卷积层通过RIR模块从 中提取特征 ，最后通过 先乘以 再加上 的方式对 三个特征进行融合，融合后再通过卷积操作得到ARIR模块的输出；

损失函数表示为如下：

，

其中 为权重系数， 为均方误差， 为结构相似性指数， 为梯度损失， 为反射率；

所述光照调节网络，首先利用U‑Net从 中提取特征，其次，利用两层卷积从增强比率和 中提取特征，将此特征与U‑Net提取的特征进行融合后再进行卷积得到调整后的光照，并通过Sigmoid层将光照调节网络的结果 限制在[0,1]之间；最后，利用恢复的反射率 和调整的光照 按照逐元素倍乘来进行重建，最终的预测结果 。

2.根据权利要求1所述的一种结合注意力机制和Retinex模型的低光图像增强方法，其特征在于，其中，所述图像分解网络包括用于约束的损失函数；

所述损失函数由反射率相似性损失、光照平滑度损失、相互一致性损失、重建损失组成。

3.根据权利要求2所述的一种结合注意力机制和Retinex模型的低光图像增强方法，其特征在于，所述反射率相似性损失的计算公式为：，

其中， 表示反射率相似性， 表示2范数所述光照平滑度损失的计算公式为：

，

其中， 表示光照平滑度，表示一阶导数算子， 表示1范数，表示绝对值算子，表示低光图像， 表示正常光图像，为正常数；

所述相互一致性损失的计算公式为：

，

其中， 表示相互一致性，为参数

所述重建损失的计算公式为：

，

Decomposition‑Net将输入图像分解成反射率和光照，对这两部分分量进行重建时也应该得到输入图像，我们用 进行表示；

因此，图像分解网络的总损失函数表示为：，

其中， 分别是反射率相似性损失、光照平滑度损失、相互一致性损失的权重系数。

4.根据权利要求1所述的一种结合注意力机制和Retinex模型的低光图像增强方法，其特征在于，所述光照调节网络阶段的损失函数表示为：，

其中 为权重系数， 为光照。