1.一种多模块级联的水下图像增强方法，其特征在于，所述方法包括：将水下图像数据集进行数据标准化，构建多模块级联增强网络；

通过多模块级联增强网络中的噪声抑制模块，去除水下图像中的随机噪声和水体固有散射噪声；噪声抑制模块的输入为标准化的水下图像数据，输出为处理后的低噪声水下图像；

通过多模块级联增强网络中的色彩还原模块，对水下图像进行色彩平衡校正；色彩还原模块的输入为处理后的低噪声水下图像，输出为色彩校正后的水下图像；

通过多模块级联增强网络中的散射效应校正模块，模拟并减少光散射对水下图像的影响；散射效应校正模块的输入为色彩校正后的水下图像，输出为散射效应校正后的水下图像；

通过多模块级联增强网络中的局部特征增强模块，强化水下图像的物体边缘及内部纹理细节；局部特征增强模块的输入为散射效应校正后的水下图像，输出为局部特征增强后的水下图像；

通过多模块级联增强网络中的边缘锐化与立体感恢复模块，强化水下图像的边缘信息和提高场景深度感知；边缘锐化与立体感恢复模块的输入为局部特征增强后的水下图像，输出为经由边缘锐化和立体感恢复后得到的水下图像；

通过多模块级联增强网络中的色彩饱和度增强模块，增加水下图像的饱和度和恢复因水体吸收损失的水下图像色彩鲜艳度；色彩饱和度增强模块的输入为经由边缘锐化和立体感恢复后得到的水下图像，输出为经过色彩饱和度增强的水下图像；

通过多模块级联增强网络，对水下图像进行编码并校验并将增强后的水下图像与标签关联；

所述将水下图像数据集进行数据标准化，构建多模块级联增强网络，包括:获取水下物体和环境的原始图像；

根据所需处理的水下图像对进行图像规范化，将图像的像素值缩放到阈值范围内，得到标准化后的水下图像；

设计神经网络的架构，确定神经网络中每个子模块的结构和功能，选择卷积层、池化层、激活函数和其他层；

根据网络架构，随机初始化网络中的参数；

使用准备好的标准化数据和设计好的神经网络，进行网络的训练；

定义用于训练的损失函数，衡量增强前后图像之间的差异；

计算损失函数对网络参数的梯度，并反向传播梯度更新参数；

以迭代的方式训练网络，在每次迭代中，更新参数，最小化损失函数；

通过测试集或交叉验证集评估训练过程中的模型性能；

检查网络是否能够对新的水下图像进行正确的增强；

根据测试和验证结果，对网络架构和参数设置进行调整和改进；

在训练完神经网络后，将每个子模块的输出连接起来，形成多模块级联增强网络；

所述通过多模块级联增强网络，对水下图像进行编码并校验并将增强后的水下图像与标签关联，包括:通过多模块级联增强网络对经过色彩饱和度增强的水下图像进行质量校正和优化；

检验处理后的图像数据，若其满足预定的质量和格式要求，对处理后的水下图像数据进行最终验证和校正；

若不满足，则自动调整网络参数直至满足预定的质量和格式要求；

根据业务需求和应用场景，确定经过验证和校正的水下图像格式；

根据图像数据的特点和要求，对水下图像数据进行压缩；

根据图像数据的特性和应用需求，确定水下图像的色彩空间；

根据图像质量、压缩效果和色彩空间因素，采用H.264编码算法进行图像编码；

对编码后的水下图像数据进行校验；

多模块级联增强网络通过卷积神经网络算法的卷积层和池化层，对增强后的水下图像进行特征提取和分类；

得到水下图像的标签数据，通过多模块级联增强网络对水下图像和标签数据进行关联分析；

若水下图像和标签关联准确度达到关联阈值，对水下图像和标签数据分析，得到各类数据的参数和特性；

根据各类数据的参数和特性，对数据进行分类和索引。

2.根据权利要求1所述的方法，其中，所述通过多模块级联增强网络中的噪声抑制模块，去除水下图像中的随机噪声和水体固有散射噪声，包括:获取标准化的水下图像数据；

将标准化的水下图像数据输入到卷积神经网络中的噪声抑制模块中，进行图像增强操作；

分析水下图像中的随机噪声和水体固有散射噪声特征，包括点状噪声、斑块噪声和光在水体中传播造成的弥散效应；

根据噪声特征，将图像转换至频域，识别并分离出噪声成分，采用频域滤波方法去除噪声；

在抑制噪声的同时，采用保边滤波技术保护边缘信息和细节；

输出处理后的低噪声水下图像。

3.根据权利要求1所述的方法，其中，所述通过多模块级联增强网络中的色彩还原模块，对水下图像进行色彩平衡校正，包括:获取经过处理后的低噪声水下图像；

根据已知的水深信息和环境光照条件，计算对RGB各通道色彩进行补偿的校正参数；

将图像从原始RGB色彩空间转换至进行色彩平衡调整的空间；

根据校正参数，在新的色彩空间内对图像进行色彩平衡调整，还原水下场景的真实色彩；

在进行色彩校正的过程中，确保图像边缘和细节不被过度平滑，强化图像的纹理特征；

将校正后的色彩信息映射回原RGB色彩空间，并进行处理；

对经过色彩平衡校正的图像进行质量评估，根据评估结果动态调整色彩还原模块中的参数；

输出色彩校正后的水下图像。

4.根据权利要求1所述的方法，其中，所述通过多模块级联增强网络中的散射效应校正模块，模拟并减少光散射对水下图像的影响，包括:获取经过色彩校正后的水下图像，并对图像中的光散射特性进行初步分析；

通过反向计算方法估计并量化图像中因水体散射造成的光照分布失真和细节模糊程度；

通过水下图像的纹理和色彩信息推断图像各区域的深度；

采用自适应去雾算法，模拟并去除不同深度处的散射影响，恢复被散射削弱的图像对比度和色彩真实感；

对散射校正后可能出现的边缘锯齿化现象进行平滑处理，并增强因散射而模糊的纹理细节；

进行实时的质量评估，根据评估结果对散射校正模块参数进行优化，确保输出图像的视觉效果和客观评价指标达到最优；

输出经过散射效应校正后的水下图像。

5.根据权利要求1所述的方法，其中，所述通过多模块级联增强网络中的局部特征增强模块，强化水下图像的物体边缘及内部纹理细节，包括:获取经过散射效应校正后的水下图像；

将整幅图像分割为多个小块或子区域，对每个局部块进行独立对比度优化处理；

对每个局部块计算直方图分布和平均灰度值，分析局部块的局部对比度情况；

根据局部块的直方图特性，采用对比度有限自适应直方图均衡化算法，增强各局部块的对比度差异；

提取并强化局部块中的物体边缘信息，保持边缘清晰度，突出并提升图像内部的纹理细节；

将各个局部块经过对比度优化和边缘纹理增强后的结果重新整合成完整的图像，确保相邻分块间的过渡自然；

对增强后的局部特征进行质量评估，根据评估结果调整对比度优化和纹理增强参数；

输出经过局部特征增强后的水下图像。

6.根据权利要求1所述的方法，其中，所述通过多模块级联增强网络中的边缘锐化与立体感恢复模块，强化水下图像的边缘信息和提高场景深度感知，包括:获取经过局部特征增强后的水下图像，提取边缘信息；

定位水下图像中的边缘特征，对检测到的边缘进行加强处理，通过对比度提升，提高水下图像的视觉清晰度；

根据水下图像的色彩、纹理和遮挡关系，估计不同物体之间的相对距离；

调整图像的光照效果、阴影模拟和局部对比度，模拟立体视差效应，增强图像的立体感；

检查和优化强化后的立体信息，确保同一对象的不同部分在深度空间上的连续性和一致性，减少伪影产生；

将增强的边缘信息和立体感恢复结果的图像进行融合，对边缘过度锐化的部分进行平滑；

输出经由边缘锐化和立体感恢复后得到的水下图像。

7.根据权利要求1所述的方法，其中，所述通过多模块级联增强网络中的色彩饱和度增强模块，增加水下图像的饱和度和恢复因水体吸收损失的水下图像色彩鲜艳度，包括:获取经由边缘锐化和立体感恢复后得到的水下图像；

将图像从RGB色彩空间转换至进行饱和度调整的色彩空间；

分析当前图像的饱和度水平，并识别因水体吸收而导致色彩淡化的区域；

根据图像内容及特点自适应地提高饱和度，避免过度饱和导致的颜色失真；

在增加饱和度的过程中，保留原始色彩信息；

对于不同层次和类型的水下图像内容，采用不同的饱和度提升策略；

将增强后的饱和度信息与原图像进行融合，平滑过渡；

通过迭代优化，不断调整参数；

对增强后的图像进行评估，根据评估结果对色彩饱和度增强模块进行调整；

输出经过色彩饱和度增强的水下图像。