1.一种基于改进生成对抗网络模型的水下图像修复方法，其特征在于，包括以下步骤：步骤1，获得待处理的水下图像；

步骤2，构建生成对抗网络模型，并利用水下图像样本数据集的图像样本训练生成对抗网络模型，将训练之后的生成对抗网络模型作为水下图像修复模型；其中，生成对抗网络模型包括生成器和判别器，生成器包括第一编码块、第二编码块、多尺度三重注意力模块以及解码块，第一编码块的输出端连接多尺度三重注意力模块的输入端，多尺度三重注意力模块的输出端和第二编码块的输出端分别连接解码块的输入端，将解码器的输出端输出图像作为生成器生成的图像；

其中，多尺度三重注意力模块包括三个分支，每个分支包括不同扩张率的卷积层，在每个分支的卷积层后分别连接一个三重注意力机制模块，然后将三个分支的特征拼接到一起，再经过卷积、批量归一化和激活函数后，最后与多尺度三重注意力模块的输入项相加，作为多尺度三重注意力模块的输出项；

第一编码块与解码块之间跳跃连接，第二编码块与解码块之间跳跃连接；

第一编码块的输入项为水下图像，第二编码块的输入项为水下白平衡图像；

步骤3，将待处理的水下图像输入至水下图像修复模型中，利用生成器生成图像，完成水下图像的修复。

2.根据权利要求1所述的基于改进生成对抗网络模型的水下图像修复方法，其特征在于，利用水下图像样本数据集的图像样本训练生成对抗网络模型的步骤包括：将图像样本输入至生成器，然后将真实图像和生成器输出的图像输入至判别器，将生成器和判别器之间交替迭代，达到纳什均衡状态且损失函数数值符合设定时，完成训练。

3.根据权利要求2所述的基于改进生成对抗网络模型的水下图像修复方法，其特征在于，在生成对抗网络模型训练过程中，损失函数的计算过程包括计算对抗损失、L1损失以及内容感知损失，其中利用对抗损失捕获高频特征，利用L1损失捕获低频特征，利用内容感知损失获得真实的图像，计算过程如下：计算对抗损失的表达式为：

LGAN＝E(y){log[D(y)]}+E(x){log{1‑D[G(x,z)]}}式中，y为参考图像，E表示数学期望，D为判别器，G为生成器，x为水下图像，z为水下白平衡图像，G(x,z)表示生成器生成的假样本，D[G(x,z)]是判别器判断生成器生成的样本为真或假，真实图像判别为1，生成的假图像判别为0；

计算L1损失的表达式为：

L1＝Ex,y[||y‑G(x,z)||1]

式中，Ex,y表示数学期望，|| |||1表示l1范数；

计算内容感知损失的表达式为：

Lcon＝Ex,y{||Φ(y)‑Φ[G(x,z)]||2}式中，Φ()表示内容函数；|| |||2表示l2范数；

加入超参数对以上3个损失函数进行调节，最后采用的总损失函数表达式为：L＝LGAN+λ1L1+λ2Lcon

式中，λ1为L1损失的权重，λ2为内容感知损失的权重，λ1+λ2＝1。

4.根据权利要求1所述的基于改进生成对抗网络模型的水下图像修复方法，其特征在于，第一编码模块和第二编码模块的结构相同，均包括5个卷积块，每个卷积块包括依次设置的卷积层、批量归一化层和激活函数层。