1.一种自适应的图像引擎色彩优化方法，其特征在于，包括以下步骤：从AVA数据集中获取数据集中的目标图像，对所述目标图像使用退化算法得到原始图像，将原始图像和对应的目标图像组合成图像对构建初始数据集；

通过NIMA模型分别对初始数据集中的目标图像及原始图像进行评分，根据评分对初始数据集进行调整生成最终数据集；

基于全卷积神经网络构建图像引擎色彩优化模型，将所述最终数据集输入图像引擎色彩优化模型进行训练，通过所述图像引擎色彩优化模型实现图像色彩优化。

2.根据权利要求1所述的一种自适应的图像引擎色彩优化方法，其特征在于，所述的从AVA数据集中获取数据集中的目标图像，对所述目标图像使用退化算法得到原始图像，将原始图像和对应的目标图像组合成图像对构建初始数据集，具体为：从AVA数据集中获取数据集中的目标图像，并创建目标图像的副本，得到第一图像对；

分别对第一图像对中的图像使用幂律变换，将一张图像的亮度提升，另一张图像的亮度降低，得到第二图像对；

分别对所述第二图像对中的图像添加高斯模糊，得到第三图像对；

分别对所述第三图像对中的图像添加高斯噪声，得到第四图像对；

将所述第四图像对中的图像分别和目标图像组成一组图像对，构成初始数据集。

3.根据权利要求1所述的一种自适应的图像引擎色彩优化方法，其特征在于，所述的通过NIMA模型分别对初始数据集中的目标图像及原始图像进行评分，根据评分对初始数据集进行调整，具体为：通过MobileNet架构构建NIMA模型，并通过AVA数据集训练所述NIMA模型，根据训练后的NIMA模型搭建图像质量预测器；

将初始数据集中的原始图像与目标图像输入图像质量预测器，使用图像质量预测器对输入图像进行评分；

根据评分对初始数据集中的图像进行调整，保证参考图像的图像质量优于输入图像；

若目标图像评分高于原始图像，则将目标图像设置为参考图像，将原始图像设置为输入图像；

若目标图像评分低于原始图像，则将目标图像设置为输入图像，将原始图像设置为参考图像；

根据调整后的目标图像及原始图像生成最终数据集。

4.根据权利要求1所述的一种自适应的图像引擎色彩优化方法，其特征在于，所述的基于全卷积神经网络构建图像引擎色彩优化模型，将所述最终数据集输入图像引擎色彩优化模型进行训练，具体为：基于全卷积神经网络构建图像引擎色彩优化模型；

根据所述最终数据集随机获取样本数据，根据所述样本数据构成样本数据集，将所述样本数据集中90％的样本数据作为训练集，10％的样本数据进行验证集；

训练基于Tensorflow框架，采用Adam优化器，初始学习率0.0001，10个epoch后学习率降低为0.00001，将训练集输入全卷积神经网络，训练至损失函数平稳；

通过所述验证集对训练后图像引擎色彩优化模型进行测试，当输出图像的优化效果达到预设标准时，则保存模型参数并输出图像引擎色彩优化模型。

5.根据权利要求4所述的一种自适应的图像引擎色彩优化方法，其特征在于，所述全卷积神经模型包括9个卷积层，前八层卷积核的大小均为3×3，卷积核个数为32，每层卷积层的激活函数均为LReLU，从第二层开始采用空洞卷积，第二，三，四，五，六，七层的扩张率分别为2，4，8，16，32，64，第一层和第八层的为普通卷积层，第九层为卷积核大小为1×1的普通卷积层，第九层不使用激活函数。

6.根据权利要求4所述的一种自适应的图像引擎色彩优化方法，其特征在于，所述图像引擎色彩优化模型的损失函数L(w,b)采用L2损失函数，具体为：其中，L(w,b)表示损失函数，Ii表示输入图像，Ni表示输入图像的像素个数，n表示图像总数，f(Ii)表示目标图像，w和b表示全卷积神经网络待训练的权重， 表示输出图像。

7.一种自适应的图像引擎色彩优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括一种自适应的图像引擎色彩优化方法程序，所述一种自适应的图像引擎色彩优化的方法程序被所述处理器执行时实现如下步骤：从AVA数据集中获取数据集中的目标图像，对所述目标图像使用退化算法得到原始图像，将原始图像和对应的目标图像组合成图像对构建初始数据集；

通过NIMA模型分别对初始数据集中的目标图像及原始图像进行评分，根据评分对初始数据集进行调整生成最终数据集；

基于全卷积神经网络构建图像引擎色彩优化模型，将所述最终数据集输入图像引擎色彩优化模型进行训练，通过所述图像引擎色彩优化模型实现图像色彩优化。

8.根据权利要求7所述的一种自适应的图像引擎色彩优化系统，其特征在于，所述的从AVA数据集中获取数据集中的目标图像，对所述目标图像使用退化算法得到原始图像，将原始图像和对应的目标图像组合成图像对构建初始数据集，具体为：从AVA数据集中获取数据集中的目标图像，并创建目标图像的副本，得到第一图像对；

分别对第一图像对中的图像使用幂律变换，将一张图像的亮度提升，另一张图像的亮度降低，得到第二图像对；

分别对所述第二图像对中的图像添加高斯模糊，得到第三图像对；

分别对所述第三图像对中的图像添加高斯噪声，得到第四图像对；

将所述第四图像对中的图像分别和目标图像组成一组图像对，构成初始数据集。

9.根据权利要求7所述的一种自适应的图像引擎色彩优化系统，其特征在于，所述的通过NIMA模型分别对初始数据集中的目标图像及原始图像进行评分，根据评分对初始数据集进行调整，具体为：通过MobileNet架构构建NIMA模型，并通过AVA数据集训练所述NIMA模型，根据训练后的NIMA模型搭建图像质量预测器；

将初始数据集中的原始图像与目标图像输入图像质量预测器，使用图像质量预测器对输入图像进行评分；

根据评分对初始数据集中的图像进行调整，保证参考图像的图像质量优于输入图像；

若目标图像评分高于原始图像，则将目标图像设置为参考图像，将原始图像设置为输入图像；

若目标图像评分低于原始图像，则将目标图像设置为输入图像，将原始图像设置为参考图像；

根据调整后的目标图像及原始图像生成最终数据集。

10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括一种自适应的图像引擎色彩优化方法程序，所述一种自适应的图像引擎色彩优化方法程序被处理器执行时，实现如权利要求1至6中任一项所述的一种自适应的图像引擎色彩优化方法的步骤。