1.一种基于Transformer的Deeplabv3+水下激光条纹中心提取方法，其特征在于：包括，获取水下激光条纹图像，并进行预处理；

基于预处理后的水下激光条纹图像，构建水下激光条纹数据集；

根据水下激光条纹数据集，构建基于Transformer的改进的Deeplabv3+语义分割模型；

利用改进的Deeplabv3+语义分割模型进行提取，得到水下激光条纹中心；

在Deeplabv3+语义分割模型中引入深层特征提取模块包括改进的ASPP模块和Transformer编码结构，包括如下步骤：将空洞卷积层改进为并联与串联相结合，第一层的输出是第二层的输入，第二层的输出是第三层的输入，这样第三层就会拥有第一层和第二层的特征信息，激光条纹中心的特征信息被层层叠加，最后聚集了多个尺度下激光条纹中心特征；

将改进的ASPP模块在CNN网络提取特征与上一层空洞卷积输入时引入通道空间注意机制CBAM，通过计算输入图像各个通道的权重，重新计算特征矩阵的权重；

将改进的ASPP模块输出的特征图采用Transformer编码部分多头自注意力，根据输入的压缩比公式，计算压缩比比率，表达式为：其中，Co表示压缩比比率，d表示输入维度，df表示前向传播网络的维度；

采用卷积进行分辨率的压缩，将二维图像块分割为小的图像块并转换成一维的图像序列保存，使Transformer模型通过设置头数Head并行处理改进后的ASPP模块输出的特征图；

将输入特征矩阵，通过线性变换矩阵计算得出查询矩阵、键矩阵和值矩阵的注意力，利用查询矩阵、键矩阵和值矩阵的注意力计算多头注意力，对输入特征矩阵赋权重，得到输入特征的加权矩阵；

初始模块处理完成后，将其作为下一个阶段Transformer分支的输入，并加强特征矩阵权重。

2.如权利要求1所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法，其特征在于：所述获取水下激光条纹图像，并进行预处理，包括如下步骤：通过水下多线激光扫描仪双目相机获取水下激光条纹图像；

对扫描边缘的噪声、背景中的无关物体区域，采用图像裁剪处理去除图像中不感兴趣的部分，使用双边滤波去除水下噪声。

3.如权利要求2所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法，其特征在于：基于预处理后的水下激光条纹图像，构建水下激光条纹数据集，包括如下步骤：使用Labelme对预处理后的水下激光条纹图像进行标注，构建水下激光条纹数据集；

针对水下激光条纹图像的样本量缺少的问题，对水下激光条纹数据集进行数据增强；

将标注后的json文件转换为八位彩图png格式文件，标签的每个像素值就是对应像素点所属的种类，表示为：其中，D表示标签图像转化为八位彩图的像素值，b表示背景的像素值，l表示水下激光条纹的像素值，f表示像素点的索引，B表示背景，L表示水下激光条纹。

4.如权利要求3所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法，其特征在于：将水下激光条纹数据集按照设定的比例划分为训练集、测试集和验证集，利用训练集对Deeplabv3+语义分割模型的主干网络、深层特征提取模块和损失函数进行训练，得到训练后的Deeplabv3+语义分割模型。

5.如权利要求4所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法，其特征在于：构建Deeplabv3+语义分割模型的主干网络，将原始Deeplabv3+的DCNN主干提取网络Xception替换成采用倒残差结构的MobileNet‑V2，包括如下步骤：首先对输入特征矩阵高×宽×channel，通过卷积进行升维，增加channel的大小，通过DW卷积核进行卷积处理，最后通过卷积核进行降维，在不增加参数前提下扩大浅层特征的感受野，得到改进后的主干网络。

6.如权利要求5所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法，其特征在于：定义Deeplabv3+语义分割模型的损失函数，包括如下步骤：将Deeplabv3+基于交叉熵损失函数改进为基于权重交叉熵与Dice损失函数相结合的Deeplabv3+语义分割模型的损失函数，表达式为：式中，LDWCE表示Deeplabv3+语义分割模型的改进后的损失函数，Wi表示不同类别的权重，N表示样本的总数量，n表示像素点的个数，yi表示第i个样本的真实标签， 表示模型预测的第i个样本的概率，i表示样本索引。

7.如权利要求6所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法，其特征在于：利用验证集和测试集对训练后的Deeplabv3+语义分割模型进行优化，最终得到改进的Deeplabv3+语义分割模型，包括如下步骤：使用基于权重交叉熵与Dice Loss相结合作为损失函数，结合随机梯度下降优化器进行训练，将验证集中的图像输入模型并计算激光条纹中心分割提取的精度，通过迭代过程不断优化模型参数，训练网络直到模型收敛，获取最优参数，得到训练好的Deeplabv3+语义分割模型；

对测试集进行归一化处理，输入到训练好的Deeplabv3+语义分割模型中进行效果验证，最终得到改进的Deeplabv3+语义分割模型；

利用改进的Deeplabv3+语义分割模型对新采集的水下激光条纹图像进行提取，得到水下激光条纹中心。

8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述的基于Transformer的Deeplabv3+水下激光条纹中心提取方法的步骤。