1.一种基于深度卷积生成对抗网络的WCE图像生成方法，其特征在于，包括以下步骤，且以下步骤顺次进行：S1：获取WCE图像数据，对数据进行预处理；

S2：对深度卷积生成对抗网络DCGAN进行改进，得到改进的DCGAN模型；

S3：对改进的DCGAN网络模型进行训练，直至改进的DCGAN模型达到纳什均衡；

S4：利用训练好的生成网络进行WCE图像生成。

2.根据权利要求1所述的基于深度卷积生成对抗网络的WCE图像生成方法，其特征在于，所述S1包括以下步骤：S1‑1，获取标注好的WCE图像数据，所述WCE图像数据可以是自行获取的已标注WCE图像，也可是公开的WCE数据集；

S1‑2，调整WCE图像的大小，将原始图像裁剪缩放至256*256px大小。

3.根据权利要求1所述的基于深度卷积生成对抗网络的WCE图像生成方法，其特征在于，所述S2中，所述改进的DCGAN模型包括生成网络和判别网络两部分：所述生成网络，输入是随机生成的100维的噪声向量，之后将其重构为4*4*1024的特征图，再经过六个卷积核为4*4、步长为2、填充为1的反卷积网络，生成大小为256*256px的WCE图像；

所述判别网络，其输入包括生成网络生成的虚假WCE图像和预处理过的真实WCE图像，然后经过六个卷积核为4*4、步长为2、padding为1的卷积网络，一个SENet注意力模块和一个卷积核为4*4、步长为1的卷积网络，最后利用softmax函数判断输入图像是否为真。

4.根据权利要求3所述的基于深度卷积生成对抗网络的WCE图像生成方法，其特征在于，所述的判别网络中的SENet模块先进行Squeeze操作，将各通道的全局空间特征作为该通道的表示，使用全局平均池化生成各通道的统计量，再进行Excitation操作，学习各通道的依赖程度，并根据依赖程度对不同的特征图进行调整，得到最后的输出。

5.根据权利要求3所述的基于深度卷积生成对抗网络的WCE图像生成方法，其特征在于，所述生成网络的1‑6层反卷积网络使用的是ReLU函数，最后一层反卷积网络使用的是Tanh函数；

所述判别网络，其1‑6层卷积使用的是LeakeReLU函数，且其2‑6层卷积网络后加入概率为0.5的Dropout网络层。

6.根据权利要求3所述的基于深度卷积生成对抗网络的WCE图像生成方法，其特征在于，在训练过程中，所述生成网络用于生成和原始的WCE图像相似的样本，所述判别网络用来判别输入图像是来自于原始WCE图像还是来自于生成的虚假图像，其训练过程可表示为：式(1)中，x代表原始图像数据服从分布pdata(x)；z表示输入的100维噪音，服从随机分布pz(z)，其中G(z)是生成网络根据噪音z生成的图像，D(x)是一个概率分布，表示将x分类为真实数据，而非生成数据的概率。

7.根据权利要求3所述的基于深度卷积生成对抗网络的WCE图像生成方法，其特征在于，所述S3中，纳什均衡是指判别网络辨别的概率为0.5。