1.一种基于深度学习的无人机图像增强方法，其特征在于，包括以下步骤：步骤1：基于引导滤波的Retinex分解模块包含5个3×3卷积层，将维度w×h×c的序列图片输入网络中，其中，w代表图像的宽，h代表图像的高，c表示输入通道数；其中第一层用于提取输入图像的高维特征；第二和第三层添加了修正步骤2：步骤1所提到的基于引导滤波的Retinex分解模块第四层利用引导滤波作为Retinex算法中的滤波器，将输入图像分解为反射和光照分量，以便更好地进行照度校正，引导滤波的计算公式为：其中，qi表示滤波输出的值，Ii表示原始图像中像素点i的像素值，ak和bk表示常数参数，一个滤波窗口对应一对常数参数，其可由以下公式计算得出：其中，pk表示原始图像中所有像素值的总和，Ik表示引导图像中所有像素值的总和，ε值为一个正则化参数避免ak值过大，σ为引导图像像素点的方差；

步骤3：基于引导滤波的Retinex分解模块第五层输出的前三个通道值，经Sigmoid函数后作为分解出来的反射分量，最后一个通道的输出经Sigmoid函数后作为分解出来的光照分量；

步骤4：基于自适应伽马校正的图像增强模块由编码器和解码器构成，以基于引导滤波的Retinex分解模块输出的反射图像和光照图像作为输入，光照图像经过编码器三次下采样操作获取深层次特征，并在解码层中利用最邻近插值进行三次上采样放大光照信息；残差块进行特征跨层跳跃连接，从下采样块引入到对应的镜像上采样块，以便将编码层学习到的特征复用到解码层中，从而保留图像的细节信息；最后，通过多尺度特征融合，在不同尺度上对光照分量进行恢复；

步骤5：低照度图像经过步骤4的图像增强模块后输出的反射图像和光照图像经过融合，重构成了增强后的正常光照图，其融合公式为：步骤6：由于图像的反射分量反映的是物体固有性质，不受光照的影响，因此，引入不变反射率损失Lir来约束反射的一致性，计算公式如下：Lir＝||Rlow‑Rnormal||1

此外，根据日常经验可知，光照的变化是连续的、渐变的，因此光照分量应该是连续的，在局部区域时一致的，光照的变化与物体结构的变化也应该是一致的，因此，引入第二个约束项—光照平滑损失Lis，来约束光照变化，计算公式如下：而本发明加入的引导滤波可以去除图像中的噪声并保留重要的细节，所以要引入SSIM损失，计算公式为：其中，x、y分别表示原始图像和增强后的图像，μ、σ分别表示均值和标准差，σxy表示协方差，C1、C2是常数，C1取值6.5，C2取值58.5；

步骤7：将步骤6的损失函数进行正则化操作，得到最终的损失函数Ldec，即：Ldec＝λirLir+λisLis+λssimLSSIM

其中，λir、λis、λSSIM取值分别为0.001，0.1，0.8；

步骤8：由于不同照度下的图像的反射分量是基本一致的，但是光照分量却相差很大，因此分别利用Rnormal、Rlow与Inormal、Ilow重构出来效果也是基本一致的，考虑到这样的情况，损失函数中还应该包含图像重构约束项Lrecon，因此，Lenh由光照平滑损失Lis以及重构损失Lrecon构成，即：Lenh＝λrecLrecon+λisLis

当i≠j时，λij取值为0.001，当i＝j，λij取值为1，λis＝0.1，λrec＝0.5。

2.如权利要求1所述方法，其特征在于，步骤6中C1取值6.5，C2取值58.5。

3.如权利要求1所述方法，其特征在于，步骤7中λir、λis、λSSIM取值分别为0.001、0.1、

0.8。

4.如权利要求1所述方法，其特征在于，步骤8中当i≠j时，λij取值为0.001，当i＝j，λij取值为1，λis＝0.1，λrec＝0.5。