1.一种基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于包括以下步骤：步骤1)：对彩色原始图像分别进行R，G，B通道分量的提取，利用绿色通道对红色通道和蓝色通道进行补偿，得到静态的红色通道校正图 和蓝色通道校正图步骤2)：构建改进的U‑Net网络，所述的改进的U‑Net网络包括并行运算的混合卷积‑自注意力特征提取模块、ASPP空洞空间金字塔池化层以及SFFusion选择性特征融合方式，将所述的彩色原始图像输入改进的U‑Net网络，使用Adam优化器训练改进的U‑Net网络，得到训练后的改进的U‑Net网络，输出红色通道权重映射和蓝色通道权重映射；

步骤3)：将所述的红色通道校正图、蓝色通道校正图分别与对应的红色通道权重映射和蓝色通道权重映射进行点积相乘，分别得到红、蓝通道的动态补偿结果，将所述的红、蓝通道的动态补偿结果以及绿色通道拼接，组成彩色的RGB空间颜色校正图像；

步骤4)：先将所述的RGB空间颜色校正图像分别转为HSI空间和Lab色彩空间，再对HSI空间、Lab色彩空间以及RGB空间这三种颜色空间分别进行直方图拉伸，分别得到各自颜色空间的直方图拉伸后的图像，最后对这三种直方图拉伸后的图像均各自再转回RGB色彩空间，将所述的转回RGB色彩空间的三幅图像通过通道方向拼接合并，得到一个综合的输入图像；

步骤5)：将所述的综合的输入图像输入所述的改进的U‑Net网络中再次训练，输出增强后的图像。

2.根据权利要求1所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：步骤1)中：所述的红色通道校正图 所述的蓝色通道校正图 IG，IR，IB分别表示绿色，红色，蓝色通道，⊙表示为点乘。

3.根据权利要求1所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：步骤2)中：改进的U‑Net网络的初始输入图像大小为H*W*3的彩色图像，一共八层，网络的前半部分与后半部分分别为编码器和解码器；在编码器和解码器之间添加ASPP模块；解码器与编码器一样均用同一个混合卷积‑自注意力特征提取模块；

所述的混合卷积‑自注意力特征提取模块采用双分支结构，上分支结构包含了两个卷积层，每层拥有大小3×3的卷积核Conv，步长Padding为1，两个归一化层BN，两个ReLU激活函数；下分支结构包含一个池化层AvgPool，一个Top‑K自注意力机制，1×1大小的卷积核以及Reshape重塑形状层用于匹配其他分支的输出；首先对输入特征图进行最大池化MaxPool操作，即下采样；之后分别传入上分支和下分支模块中；上分支为标准卷积块，执行3×3卷积操作，对下采样后的特征图进行特征提取；对卷积后的特征图进行批量归一化；下分支为Top‑K自注意力机制块，对下采样后的特征图进行平均池化操作，再进一步下采样，执行Top‑K自注意力机制，最后通过Reshape对特征图进行重塑。

4.根据权利要求3所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：所述的ASPP模块包含四个并行的3×3卷积层，每个卷积层具有不同的空洞率dilation，分别为1，6，12，18，将四个卷积层的输出特征图在通道维度上拼接形成一个综合的特征图，再通过一个1×1卷积层进行处理，生成最终的输出特征图。

5.根据权利要求4所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：每个卷积操作和批量归一化操作特征图为：xi＝BN(Conv(I，Wci，bci，dilation＝Ri，padding＝Ri))，I为输入特征图，xi表示经过第i个卷积操作和批量归一化后的输出特征图，BN表示批量归一化，用于归一化卷积层的输出；

Conv表示卷积操作，Wci和bci分别表示第i个卷积层的权重和偏置，dilation表示空洞卷积率，用于控制卷积核元素之间的间隔，Ri表示第i个卷积的空洞率；padding为填充，用于在输入特征图的边缘添加像素，以控制输出特征图的大小；

所述的综合的特征图表示为：x＝Concat(x1，x2，x3，x4)，再通过1×1一个卷积操作为：F＝Conv(x，Wc5，bc5)，F为ASPP模块的输出特征图。

6.根据权利要求3所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：所述的Top‑K自注意力机制的输入，首先通过三个独立的1×1卷积层，分别生成三个特征图Q、K和V，每个特征图都经过一个3×3的深度可分离卷积操作提取特征；将特征图Q、K、V进行Reshape形状调整，计算Q和K的点积，获得自注意力分数矩阵；对自注意力分数矩阵应用MASK掩码操作，使用Top‑K算子选择自注意力分数最高的前K个特征；随后将选出的Top‑K特征重新分布到相应的位置上，对Top‑K后的自注意力分数进行Softmax归一化，得到归一化的注意力权重；将归一化后的注意力权重与特征图V相乘得到加权后的特征图；

对加权后的特征图进行形状调整，以匹配初始输入的形状；最后将加权后的特征图与初始输入相加实现特征融合。

7.根据权利要求1所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：所述的SFFusion选择性特征融合方式，是将上采样后的特征图和跳跃连接的特征图进行通道维度上的拼接，拼接后的特征图经过全局平均池化层生成一个全局特征向量，全局特征向量经过多层感知机MLP处理生成选择性权重向量；MLP由一个或多个全连接层和激活函数组成，输出选择性权重向量；最后将选择性权重向量分别与上采样后的特征图和跳跃连接的特征图进行逐元素乘法，得到加权后的特征图；将加权后的两个特征图进行逐元素相加，生成最终的融合特征图。

8.根据权利要求1所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：所述的改进的U‑Net网络所用的损失函数是采用平均绝对值误差损失函数和均方误差损失函数的和，平均绝对值误差损失函数为：H和W为输入图像的高度和宽度，(m,n)为像素的坐

标， 为在(m,n)处的像素预测值，y(m，n)为在位置(m,n)处的像素真实值，为预测值与真实值之间的绝对差值；

均方误差损失函数： f(xi)和yi分别表示第i个样本的预测值

及相应真实值，n为样本的个数；

总的损失函数Lloss＝LMAE+LMSE。

9.根据权利要求1所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：步骤4)中，RGB转HSI空间公式为：RGB转Lab色彩空间步骤为：

‑1

首先将RGB转为XYZ空间： γ (x)表示提升的伽

马增益，再将XYZ空间转换为Lab空间：

L＝116f(Y/Yn)‑16，a＝500[f(X/Xn)‑f(Y/Yn)]，b＝200[f(Y/Yn)‑f(Z/Zn)]，其中：Xn＝95.047，Yn＝100.0，Zn＝108.883， 函数f(t)用于线性化较小的颜色值并处理较大的颜色值。

10.根据权利要求1所述的基于颜色校正和多色空间拉伸两阶段网络水下图像增强法，其特征在于：步骤4)中，直方图拉伸公式为：sout，sin分别表示输出和输入的像素的强度值，Imax，

Imin分别表示图像最大和最小的像素强度值，omax，omin则表示期望输出图像的最大和最小像素强度值，omin＝0，omax＝1；

采用点卷积对直方图拉伸进行训练：

Sout(x)为在各颜色空间获得的最终拉伸像素

值，gmp(Sin(‑x))和gmp(Sin(x))分别表示输入特征图的全局最大池化的操作结果。