1.一种基于Retinex与小波变换相结合的低光图像增强方法，其特征在于，包括以下步骤：S1、利用Retinex理论将输入的低光图像分解为反射分量和照明分量；

S2、引入扰动项以模拟低光条件下的退化，生成退化的反射分量和照明分量；

S3、通过小波变换对照明分量进行频域分析，获取照明特征，并结合照明特征和小波变换的结果，对低光图像进行增强处理；

S4、利用门控机制选择性地融合下采样和上采样的特征，以抑制噪声并保留边缘和细节信息；

S5、应用Transformer的自注意力机制捕获图像内的远程依赖性，实现全局增强和恢复；

其中，所述上采样和下采样过程都分为两个级别，每级下采样由Enhanced Illumination‑Guided Attention Model（EIGAM）和Wavelet Transform Feature Decomposer Downsampling（WTFDown）组成；上采样的每个级别由一个deconv 2×2，stride=2，和一个conv 1×1以及一个EIGAM组成；

所述EIGAM包括以下步骤：输入特征首先经过照明引导注意力，同时照明引导注意力也以光照估计器中生成的照明特征作为输入来引导注意力的计算；通过非线性激活函数模块减少计算复杂度，帮助简化模型架构并降低计算资源的消耗；经过照明引导注意力和非线性激活函数模块后都进行了残差连接来缓解梯度消失并保留原最后通过一个层归一化和前馈网络得到输出特征。

2.如权利要求1所述的基于Retinex与小波变换相结合的低光图像增强方法，其特征在于，所述小波变换为Haar小波变换，用于将输入特征分解为高频和低频分量。

3.如权利要求1所述的基于Retinex与小波变换相结合的低光图像增强方法，其特征在于，所述门控机制包括一个门控融合模块，用于自适应地确定哪些特征更重要，并控制不同通道特征的贡献。

4.如权利要求1所述的基于Retinex与小波变换相结合的低光图像增强方法，其特征在于，所述Transformer的自注意力机制通过一个基于Transformer的混合注意力网络实现，以确保增强过程中远程依赖性的有效建模。

5.如权利要求1所述的基于Retinex与小波变换相结合的低光图像增强方法，其特征在于，所述非线性激活函数模块包括以下步骤：使用一个逐点卷积1x1 conv，用于调整输入特征的通道数，实现通道维度的线性变换；

通过Depth‑wise Convolution对每个通道进行独立卷积，更好地提取空间特征；

通过简化通道注意力和SimpleGate后，再由逐点卷积1x1 conv还原通道数，与输入特征残差连接得到第一部分输出；

对第一部分输出进行卷积和门控，得到第二部分输出，并通过残差连接与第一部分输出相加，形成最终输出。

6.如权利要求1所述的基于Retinex与小波变换相结合的低光图像增强方法，其特征在于，所述WTFDown包括以下步骤：输入特征首先经过一个1*1conv操作以提高非线性性，再通过Haar小波变换将空间特征转换为四个频域分量，分别是一个低频分量A和三个高频分量，其中高频分量分为水平高频分量H、垂直高频分量V和对角高频分量D；

低频特征通过卷积进行特征表示学习，提取全局结构信息；高频特征则将水平、垂直和对角三个高频分量进行拼接，通过逐点卷积1×1conv和归一化进行降维处理和非线性操作；

将两个部分进行相加，得到全局和局部的复合特征，保留了整体信息的同时增强了边缘和细节，平衡图像中不同频率成分的影响。