1.基于自对抗生成对抗网络的水下图像增强方法，其特征在于：所述方法采用自对抗模式，自对抗模式的结构是输入图像x经过生成器G后得到输出图像 ，输出图像 再次输入到生成器G中得到输出图像 ，两幅输出图像同时输入到判别器D中进行判别，约束生成器D，使输出图像 优于输出图像 ，自对抗模式具体应用到水下图像增强方法如下：S1:原始输入图像x经过生成器G增强后，得到输出图像 并输入到判别器D中与高质量图像y进行判别，更新并固定判别器D，更新生成器G；

S2: 输出图像 再次输入到生成器G中进行增强得到输出图像 ，输出图像G(G(x))和高质量图像y输入到判别器D中进行判别，并更新判别器D；

S3:自对抗判别器 对增强后输出图像 和输出图像 进行判别，通过判别器来约束生成过程中的质量改进，反复迭代增强得到质量更好的图像。

2.根据权利要求1所述的基于自对抗生成对抗网络的水下图像增强方法，其特征在于：自对抗模式的整体优化目标为：

     （4‑1）

自对抗模式首先由生成器G得到一幅输出图像 ：然后将 输入到生成器G中得到，此时，固定生成器G训练判别器D：（4‑2）

在公式4‑2中，来自生成器G的第二次输出图像 希望被判别器D判别为正样本，而第一次输出的图像 希望被判别为负样本，此时训练生成器G：（4‑3）

在公式4‑3中，则希望第一次输出的图像 要优于第二次输出图像 ，以此形成生成器和判别器之间的对抗。

3.根据权利要求1或2所述的基于自对抗生成对抗网络的水下图像增强方法，其特征在于：所述生成器G为编解码网络，编码部分由卷积核大小为3×3卷积连接组成，在每次卷积后增加残差块以增强网络深度和特征提取能力；在每次卷积前使用反射填充确保图像的特征图大小是每次下采样前大小的一半；在每个卷积层之后，使用Batch‑norm层和LeakyReLU激活函数来增加网络的鲁棒性和非线性；解码部分由多个上采样级联组成；在每个上采样后，在增加一个残差块来增强了解码部分的图像重建能力；在编码和解码之间采用跳跃连接，采用Tanh激活函数避免梯度消失问题。

4.根据权利要求1或2所述的基于自对抗生成对抗网络的水下图像增强方法，其特征在于：判别器D是Patch‑GAN结构，判别器 是二元分类网络结构。

5.根据权利要求1所述的基于自对抗生成对抗网络的水下图像增强方法，其特征在于：所述S1中，得到输出图像 并输入到判别器D中与高质量图像y进行判别时，需要同时更新判别器D的参数，之后，固定判别器D的参数，更新生成器G的参数。

6.根据权利要求5所述的基于自对抗生成对抗网络的水下图像增强方法，其特征在于：使用对抗损失来约束生成器和判别器的优化过程，并使用感知损失和 范数损失的加权和作为内容损失，以保证图像在增强过程中保留内容信息。

7.根据权利要求1或5所述的基于自对抗生成对抗网络的水下图像增强方法，其特征在于：S2和S3中需要将第二次增强后的图像G(G(x))和高质量的图像y输入到判别器D中进行判别，并更新判别器D的参数，同时，将第二次增强后图像G(G(x))和第一次增强图像G(x)输入到自对抗判别器 中进行判别, 将第二次增强后图像G(G(x))和第一次增强图像G(x)输入到自对抗判别器 中进行判别，并更新自对抗判别器 的参数，之后再次更新生成器G的参数。

8.根据权利要求7所述的基于自对抗生成对抗网络的水下图像增强方法，其特征在于：对自对抗模式中使用对抗损失，通过得到的两幅增强后图像进行判别，来实现增强结果的进一步提高，同时，为了保留图像内容，使用了感知损失和 范数损失的加权和作为约束。