1.基于全局一致性与WGAN‑GP的自适应纹理增强方法，其特征在于，执行如下步骤S1‑步骤S5，构建并训练纹理增强网络，完成对输入纹理图像的增强：步骤S1：采集原始纹理图像，将原始纹理图像转换成灰度图像，经Min‑Max归一化后缩放像素到[0,1]范围，再使用传统方法进行数量扩充，获得预设数量的灰度图像；

步骤S2：构建两阶段的纹理增强网络，第一阶段基于卷积粗略预测灰度图像，第二阶段基于WGAN‑GP网络精细化灰度图像的纹理细节；纹理增强网络以步骤S1所获得的灰度图像为输入，输出纹理增强图像；

步骤S3：在纹理增强网络中加入捕获长期依赖关系的块，将全局信息融合到局部操作中，形成每个目标位置像素的详细注意力图，并且根据这些详细注意力图对当前位置像素的预测进行加权，使用全局鉴别器和局部鉴别器比较纹理增强图像与原始纹理图像；

步骤S3中向纹理增强网络的第一阶段加入两个NL块，NL块计算目标位置像素与所有其他位置像素的相似性的注意力图，然后根据相似性的大小对重要性进行加权，NL块的具体计算如下：其中，yi表示NL块在目标位置像素i的计算结果，C(x)表示归一化因子，x表示纹理增强图像处理的特征图，j表示xi所有可能关联到位置的索引，f是位置间的类同标量函数，xi为目标位置像素i的特征值，xj为可能关联位置像素j的特征值，g是位置输入信号函数，对输入的特征进行赋权，g(xj)为用于计算xj的函数；

向纹理增强网络的第二阶段加入两个GC块构成判别器，GC块的具体计算如下：

其中，Zi表示GC块在目标位置像素i的计算结果，F(.,.)表示fusion函数，x表示纹理增强图像处理的特征图，i表示目标位置像素，δ(·)表示瓶颈变换模块，Np表示全局空间，j表示xi所有可能关联到位置的索引，αj表示全局注意力池的权重，用于对上下文建模中的xj进行加权，xj为可能关联位置像素j的特征值；

步骤S4：对纹理增强网络进行训练，基于MSE距离、TV损失、MS‑SSIM损失构建损失函数，根据损失函数的结果计算纹理增强网络的评价指标；

步骤S4中对纹理增强网络的训练分为两个训练步骤，第一训练步骤只训练纹理增强网络，第二训练步骤训练纹理增强网络和对抗性网络；在第一训练步骤中，损失函数选择MSE损失和TV损失来联合约束结果的准确性，第二训练步骤涉及纹理增强网络和对抗性网络，纹理增强网络的损失函数采用 距离和MS‑SSIM损失，对抗性网络的损失函数采用带梯度惩罚的Wasserstein距离作为规范；第一训练步骤中使用的损失函数为：其中，loss_cn1表示第一训练步骤损失的值，λ1是用于分配loss_cn1两个损失函数 和权重的系数，是[0,1]之间的一个随机数， 是MSE损失， 是TV损失；

第二训练步骤中，纹理增强网络的损失函数的计算公式为：

其中，loss_cn2是第二训练步骤损失的值，λ2是用于分配loss_cn2两个损失函数 和权重的系数，是[0,1]之间的一个随机数， 是L1范数损失函数， 为多尺度结构相似性；

步骤S5：纹理增强网络的性能达到评价指标，则视为优异且训练结束，否则视为不优异，要重新调整损失函数的权重系数，重新对纹理增强网络进行训练；根据评价指标判断纹理增强网络是否优异，是则获得成功的纹理增强网络，否则更新权重系数。

2.根据权利要求1所述的基于全局一致性与WGAN‑GP的自适应纹理增强方法，其特征在于，步骤S1中数量扩充的方法为分别将各灰度图像以90°、180°、270°旋转，然后逐个翻转，以将灰度图像数量增加8倍，获得输入纹理增强网络的训练样本。

3.根据权利要求1所述的基于全局一致性与WGAN‑GP的自适应纹理增强方法，其特征在于，步骤S2中所述的两阶段的纹理增强网络，第一阶段经过下采样层卷积及池化以捕获全局特征，多个中间卷积层来处理特征图，上采样层转置卷积或最近邻插值以提高空间分辨率，得到粗略预测的纹理增强图像；第二阶段WGAN‑GP网络的函数方程如下式：其中，L是函数输出结果，E表示对应的期望值，Sr是真实样本，Pg是生成器生成分布，D(Sr)是判别器对Sr的输出，Sf是虚假样本，Pr是真实数据分布，D(Sf)是判别器对Sf的输出，λ是正则化的系数， 是真实分布和生成分布中的样本， 是对Sr的梯度，∥·∥2是 的范数。

4.根据权利要求1所述的基于全局一致性与WGAN‑GP的自适应纹理增强方法，其特征在于，步骤S4中对纹理增强网络的训练采用Adam优化器。

5.根据权利要求1所述的基于全局一致性与WGAN‑GP的自适应纹理增强方法，其特征在于，步骤S5中的评价指标包括SSIM、PSNR。