1.基于UDWGAN++网络的机场裂缝图像对抗生成方法，其特征在于，具体操作步骤如下：(1)、搭建数据集，采集高分辨率和低分辨率多张机场裂缝图像，进行图像预处理来填充数据，通过Labelme软件进行数据特征标注，形成一个小数据集；

(2)、搭建一个新型的生成对抗网络，基于使用UNet++和Wasserstein GAN为基础的对抗网络结构进行图像的生成；

在步骤(2)中，在所述使用UNet++和Wasserstein GAN为基础的对抗网络结构中，所述Wasserstein GAN中的生成器采用UNet++网络代替，采用deep supervision增强训练效果，此外，在UNet++网络的下采样第一层卷积层后和上采样倒数第二层卷积层后引入空间注意力机制；使用GAN对抗网络通过训练使D和G“对抗和博弈”的模式，使GAN达到动态平衡的状态，即生成的图像不能与真实图像区分开，同时判别器对于给定图像的预测为真图像的概率值接近0.5；训练完成后，利用生成器输出的伪裂缝图填充数据集；

其训练过程如下：

一、从设定的随机噪声中进行随机采样，输入生成器G，得到伪造的裂缝图G(z)；

二、在真实的图像数据中进行随机采样，作为真实数据x；

三、将前两步中某一步产生的数据作为判别器D的输入，此时判别器D很容易判别出两者的差异，即D(G(z))接近于0，D(x)接近于1；

四、然后根据得到的概率值计算损失函数，损失函数为：

G

其中，Pdata(x)为真实数据分布，Pg(x)为生成器G的数据分布；生成器G的损失函数Obj(θG)＝‑ObjD(θD，θG)；

五、根据判别器和生成器的损失函数，采用反向传播优化的方法，即先将生成器G的参数固定，优化判别器D使其准确率最大化；然后将判别器D参数固定不变，优化生成器G使其准确率最小化，结果Pdata(x)＝Pg时就会达到了最优化状态，训练完成；

另外，采用UNet++作为对抗网络的生成器是，将UNet++的下采样部分替换为Densenet网络，即DenseNet网络这种深度卷积网络，作为UNet++的backbone部分来特征提取，将i层扔掉之后，第i+1层就被直接连到了第i‑1层；当第2到第i层都被扔掉之后，第i+1层就直接用到了第1层的特征，紧密连接不同模块的特征；

(3)、将随机噪声、数据标签类别信息和参考草图作为特征相结合一并输入到生成器中，得到带标签的假的图像；

(4)、将带标签的赝品数据、参考草图和真实图像数据进行通道连接，传进patchGAN判别器进行训练判断真假；

所述patchGAN判别器为全卷积的形式，图像经过许多卷积映射为N*N矩阵，N*N矩阵里的每个点，即真假，代表原始图像中的每个小块区域的评价值，亦即patch；

原先使用一个值判别生成图像的真假，现使用每个小格组合成的矩阵来判断，同时计算损失，在关注更多区域的前提下进行判别；

(5)、将判断假的部分反方向传播来调整生成器，更换输入数据直至无法判别；

(6)、训练结束后，固定训练好的生成器的参数进行生成图像，生成更高质量的样本，实现数据集的增广。

2.根据权利要求1所述的基于UDWGAN++网络的机场裂缝图像对抗生成方法，其特征在于，在步骤(1)中，所述进行图像预处理来填充数据具体是：

所述图像数据处理包括对训练样本进行提纯，消除“坏数据”的影响；进行数据增强，对训练样本进行预处理，增加数据的多样性，通过裁剪、翻转及归一化，将图片的空间多样化进行表现；

另外，针对噪声影响，使用空域像素特征去噪算法，分析在特定大小的窗口分布内，中心像素点和邻近像素点之间在灰度空间是否有关系，算术均值滤波与高斯滤波，统计中值滤波，结合图像的空间邻近度和像素值相似度，滤波的过程中加入引导信息，即得最终滤波之后的输出图像。

3.根据权利要求1所述的基于UDWGAN++网络的机场裂缝图像对抗生成方法，其特征在于，在步骤(3)中，所述将随机噪声、数据标签类别信息和参考草图作为特征相结合一并输入到生成器中，得到带标签的假的图像具体是：将100维随机噪声、数据标签类别信息和256×256×3大小的参考草图代替原图像作为特征相结合一并输入到生成器中，其中3为图像深度，得到带标签的赝品图像。

4.根据权利要求1所述的基于UDWGAN++网络的机场裂缝图像对抗生成方法，其特点在于：在步骤(5)中，所述反方向传播即优化模型阶段，具体是：将判断好的结果反向传入生成器和判别器中，进而对生成器和判别器进行优化，其优化公式为：minGmaxDV(D,G)＝Ex～Pdata(x)[logD(x)]+Ez～pz(z)[log(1‑D(G(z)))]优化D公式为：maxDV(D,G)＝Ex～Pdata(x)[logD(x)]+Ez～pz(z)[log(1‑D(G(z)))]优化G公式为：

minGV(D,G)＝Ez～pz(z)[log(1‑D(G(z)))]通过判别结果矩阵进行模型的优化，更新模型参数；同时调整超参数，选用SGD优化器，CrossEntropyLoss作为损失函数。