1.一种基于分数阶卷积神经网络的水下图像增强方法，其特征在于，包括以下步骤：A1：输入原始的水下图像；

A2：水下图像初步预处理，即通过白平衡及直方图均衡化纠正图像的色彩偏差，并增强图像的亮度和对比度；

A3：设计水下图像的环境光估计网络和透射率估计网络；

A4：对环境光估计网络和透射率估计网络进行参数训练；

A5：将预处理的水下图像送入训练好的环境光估计网络和透射率估计网络中，所述环境光估计网络，输出得到环境光值B；所述透射率估计网络，输出得到透射率参数t；

A6：根据水下物理模型，结合A5中环境光估计网络输出得到的环境光值B和透射率估计网络输出得到的透射率参数t，得到复原后清晰的图像。

2.根据权利要求1所述的水下图像增强方法，其特征在于，所述环境光估计网络和透射率估计网络均采用分数阶卷积神经网络。

3.根据权利要求1所述的水下图像增强方法，其特征在于，步骤A3所述环境光估计网络的结构为：输入的图像大小为49*49，第一层的卷积核大小为7*7，步长为1，输出得到43*43的图像；第二层的卷积核大小为5*5，步长为1，输出得到39*39的图像；第三层为池化层，大小为3*3，步长为3，输出得到13*13的图像；第四层的卷积核大小为5*5，步长为1，输出得到

9*9的图像；第五层为池化层，大小为3*3，步长为3，输出得到3*3的图像；最后一层采用卷积层作为非线性回归层；每个卷积层后都加上ReLU激活函数，以加快训练的收敛速度，避免陷入局部最小值。

4.根据权利要求1所述的水下图像增强方法，其特征在于，步骤A3所述透射率估计网络的设计方法，包括三个步骤，(1)搭建预处理模块，提取图像的浅层特征；(2)采用多尺度卷积层实现特征提取与融合；(3)应用反卷积模块恢复图像原始尺寸，输出透射率图。

5.根据权利要求1所述的水下图像增强方法，其特征在于，步骤A4所述环境光估计网络的参数训练的方法是，通过网络前向传播计算出目标值和实际输出之间的误差，当误差在允许范围内，则结束训练；当误差超出允许范围，则计算误差，通过网络反向传播求出误差梯度，利用分数阶动量的分数阶梯度下降算法更新参数，使权重从初始状态逐步更新到最终的学习到的状态。

6.根据权利要求5所述的水下图像增强方法，其特征在于，所述环境光估计网络的参数训练的方法是，采用环境光的估计值与其对应的理想值之间的欧氏距离作为损失函数，所述损失函数记作Lh，为：

其中||·||为对矩阵求二范数操作，Bi(I)为环境光的估计值，Bi(J)为其对应的理想值，i代表颜色通道，I为初步预处理后的水下图像，J为清晰图像。

7.根据权利要求1所述的水下图像增强方法，其特征在于，步骤A4所述透射率估计网络的参数训练的方法是，将初步预处理后的水下图像I送入到透射率估计网络中，输出得到透射率参数t；根据水下物理模型，环境光值B和透射率参数t得到清晰图像J；对比水下图像I和清晰图像J，采用IQM作为损失函数，通过网络前向传播计算出目标值和实际输出之间的误差，当误差在允许范围内，则结束训练；当误差超出允许范围，则计算误差，通过网络反向传播求出误差梯度，利用分数阶动量的分数阶梯度下降算法更新参数，使权重从初始状态逐步更新到最终的学习到的状态。

8.根据权利要求7所述的水下图像增强方法，其特征在于，所述透射率估计网络的参数训练中的损失函数记作LIQM，为：LIQM＝1‑IQM(I,J)

其中，IQM(I,J)为多目标函数的IQM集，选择与人的视觉感知紧密相关的五个指标构成IQM集：对比度、敏锐度、边界完整性、先验灰色世界和清晰度。

9.根据权利要求1所述的水下图像增强方法，其特征在于，步骤A6所述水下物理模型为：

其中，J表示清晰图像，I表示初步预处理后的水下图像，B表示环境光值，t表示透射率参数。