1.一种基于PossionGAN网络的图像克隆方法，其特征在于，包括以下步骤：提取待克隆图像img_A，选取背景图像img_B，并确定待克隆图像img_A在背景图像img_B中的位置；

根据待克隆图像img_A和背景图像img_B，生成二值模板图mask，并分别标记属于待克隆图像img_A的区域和属于背景图像img_B的区域；

计算待克隆图像img_A的梯度图grad_A和背景图像img_B的梯度图grad_B；根据标记的二值模板图mask将梯度图grad_A中的梯度值替换到梯度图grad_B中，得到合并梯度图grad_comb；

根据标记的二值模板图mask将待克隆图像img_A中的像素值替换到背景图像img_B中，得到合并图像img_comb；

利用PossionGAN网络进行融合图像的训练，并利用训练完成的PossionGAN网络中的生成器G网络与合并图像img_comb生成融合后的RGB图像；

利用PossionGAN网络进行融合图像的训练方法为：

(1)设定PossionGAN网络的训练次数N，光照信息限制限定项λ1，像素限定项λ2，学习率a；

(2)PossionGAN网络中生成器G网络的网络参数矩阵为 生成的图像为G(img_comb)，采用光照限制生成器G网络的训练，记|▽G(img_comb)‑grad_comb|；其中，▽表示梯度运算；

(3)采用合并图像img_comb限制生成器G网络训练时像素值的范围，记|G(img_comb)‑img_comb|；

(4)PossionGAN网络中鉴别器D网络的网络参数矩阵为 其对生成图像G(img_comb)卷积得到特征图矩阵D(G(img_comb))，将特征图矩阵D(G(img_comb))送入sigmoid函数进t行判别，得到判定值矩阵sigmoid(G(img_comb))，其中判别网络参数矩阵为WS；

(5)计算PossionGAN网络中生成器G网络生成的图像G(img_comb)与合并图像img_comb的误差为：G(img_comb)‑img_comb，并计算误差绝对值的累加和gen；

(6)计算PossionGAN网络中鉴别器D网络对生成的图像G(img_comb)的判别误差，并计算1‑sigmoid(G(img_comb))的累加和dis；

(7)计算生成器G网络和鉴别器D网络的代价值为：

(8)定义PossionGAN网络参数 计算PossionGAN网络中各个参数的导数

(9)更新PossionGAN网络参数为： 其中a为学习率；

(10)循环步骤(2)至步骤(9)，直到t＝N时，终止循环。

2.根据权利要求1所述的一种基于PossionGAN网络的图像克隆方法，其特征在于，待克隆图像img_A的长、宽分别为wA、hA，背景图像img_B的长、宽分别为wB、hB，wA小于等于wB且hA小于等于hB；待克隆图像img_A左上角在背景图像B中的位置为offset_x和offset_y，且offset_x+wA<＝wB，offset_y+hA<＝hB。

3.根据权利要求1所述的一种基于PossionGAN网络的图像克隆方法，其特征在于，待克隆图像img_A的梯度图grad_A和背景图像img_B的梯度图grad_B的计算方法为：采用Sobel梯度算子分别对待克隆图像img_A和背景图像img_B中各个通道图像进行梯度求导，得到待克隆图像img_A的水平梯度图像集grad_xA，垂直梯度图像集grad_yA，以及背景图像img_B的水平梯度图像集grad_xB，垂直梯度图像集grad_yB；

然后，根据待克隆图像img_A的水平梯度图像集grad_xA和垂直梯度图像集grad_yA得到待克隆图像img_A的梯度图grad_A；

根据背景图像img_B的水平梯度图像集grad_xB和垂直梯度图像集grad_yB得到背景图像img_B的梯度图grad_B。

4.根据权利要求1所述的一种基于PossionGAN网络的图像克隆方法，其特征在于，将梯度图grad_A中的梯度值替换到梯度图grad_B中时，从待克隆图像img_A左上角在背景图像B中的位置处开始，直至梯度图grad_B中一一对应的梯度值替换完成，得到合并梯度图grad_comb。

5.根据权利要求1所述的一种基于PossionGAN网络的图像克隆方法，其特征在于，将待克隆图像img_A中的像素值替换到背景图像img_B中时，从待克隆图像img_A左上角在背景图像B中的位置处开始，直至背景图像img_B中一一对应的像素值替换完成，得到合并图像img_comb。

6.一种用于权利要求1‑5任一项所述基于PossionGAN网络的图像克隆方法的系统，其特征在于，包括图像输入选择模块、图像内容提取模块、PossionGAN克隆融合计算模块、参数和图片保存输出模块；

图像输入选择模块，用于上传用户图像，从数据库中选择背景图像或视频，并提供用户图像在背景图像中的起始位置；

图像内容提取模块，用于对用户图像中的感兴趣区域进行提取，获得待克隆图像img_A；

PossionGAN克隆融合计算模块，用于完成PossionGAN网络的训练，以及待克隆图像img_A和背景图像的融合；

参数和图片保存输出模块，对PossionGAN网络的训练后的参数进行保存，同时输出图像融合的结果。

7.根据权利要求6所述的一种基于PossionGAN网络的图像克隆系统，其特征在于，PossionGAN网络包括生成器G网络和鉴别器D网络，生成网络采用U型网络，鉴别器D网络采用与所述U型网络相同深度depth的网络。

8.一种装置设备，其特征在于，包括存储器和处理器，其中：

存储器，用于存储能够在处理器上运行的计算机程序；

处理器，用于在运行所述计算机程序时，执行如权利要求1‑5任一项所述一种基于PossionGAN网络的图像克隆方法的步骤。

9.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1‑5任一项所述一种基于PossionGAN网络的图像克隆方法的步骤。