1.一种水下图像色彩恒常性增强方法，其特征在于，方法包括以下步骤：接收水下图像数据，将水下图像数据输入至预先建立的基于自适应校正因子的多层次色彩校正模型内，输出得到校正图像；

所述将水下图像数据输入至预先建立的基于自适应校正因子的多层次色彩校正模型内的过程如下：利用水下图像数据的颜色统计特征估计光照颜色，并结合自适应校正因子完成多层次颜色校正，图像的颜色统计特征包括：平均值、最大值和均方根值；

多层次颜色估计基于以下公式，并分层处理全局和局部光照差异：

其中X表示空间位置，f(X)为图像某一颜色通道的像素值分布函数，p和k为常数，e表示p光照的颜色，∫(f(X)) dX表示函数f(X)的p次幂在自变量X上的积分，∫dX表示对变量X进行积分，∫是积分符号，dX表明对变量X进行求积时所使用的变化量，基于水下光照颜色的精确估计，对水下图像的颜色实施多层次校正，校正过程通过以下公式实现：其中Conv1×1(x)是一种点卷积操作，利用1×1的卷积核对输入图像x的每个像素点的通道信息进行提取， 表示的是一个关于图像颜色通道统计特征的向量，且AR,P＝i表示图像红色通道的统计特征，AG,P＝i表示图像绿色通道的统计特征，AB,P＝i表示图像蓝色通道的统计特征，R、G、B分别为红、绿、蓝三种颜色通道，i为参数，xi代表不同校正策略下的校正图像， 表示像素级乘法，其中p为多层次颜色自适应校正因子；

将校正图像输入至预先建立的多尺度联合复原网络模型内，输出得到复原图像，将复原图像输入至预先建立的基于残差的细节增强网络模型内，输出得到增强图像；

将增强图像输入至预先建立的水下图像增强网络模型内进行优化训练，输出得到训练后的水下图像增强网络模型，获取待测试的水下图像数据集，将待测试的水下图像数据集输入至训练后的水下图像增强网络模型内，输出得到水下图像增强结果。

2.根据权利要求1所述的一种水下图像色彩恒常性增强方法，其特征在于，所述将校正图像输入至预先建立的多尺度联合复原网络模型内，输出得到复原图像的过程：预先建立的多尺度联合复原网络模型MJRN基于Jaffe‑McGlamery模型构建，Jaffe‑McGlamery模型通过分解水下图像的光能量来源，如下：Iλ(x,y)＝Jλ(x,y)Tλ(x,y)+Bλ(1‑Tλ(x,y))其中Iλ(x,y)表示水下环境中相机捕捉的图像，Jλ(x,y)表示原始的清晰水下图像，Tλ(x,y)表示透射率，Bλ表示背景光；

采用联合参数估计方法，同时估计透射率Tλ(x,y)和背景光Bλ，合并为联合参数Kλ(x,y)进行优化，并进行图像复原，过程如下：其中b为参数，且b＝1；

多尺度联合复原可划分为三个阶段和复原公式，每个阶段的基本结构由卷积、归一化和激活函数组成。

3.根据权利要求2所述的一种水下图像色彩恒常性增强方法，其特征在于，所述归一化阶段引入双模自注意力模块DSM，表达式如下：1

其中，DSM(·)代表注意力操作，M 代表阶段一输出的特征图， 表示在阶段一感受野2

大小为s的上下文特征，M 代表阶段二输出的特征图， 表示在阶段二感受野大小为s的上下文特征，Convi×i表示卷积核的大小是i×i的卷积操作，ΦBP(·)代表批归一化和PreLU函数串联操作的组合，⊙代表通道级连接；

DSM的实现过程如下：

DSM通过不同的池化操作将编码后的特征压缩为两个通道描述符，捕捉图像中的关键信息并压缩为紧凑的特征表示，通过压缩激励过程捕捉特征之间的通道依赖性，通过以下数学公式进行表达：式中AvgP(·)和MaxP(·)分别表示平均池化层和最大池化层，(·)cpc代表3×3卷积层、PReLU函数和3×3卷积层的组合，(·)sig为sigmoid函数，经过通道注意力模块后，带有通道权重fc的特征被输入到下一阶段，使用平均池化层来降低特征的尺度，然后通过查询向量Q、键向量K和值向量V来捕捉空间依赖性：其中，(·)c表示卷积核的大小是3×3的卷积操作，(·)soft是一个softmax函数，fs为空间权重，γ为可学习的参数，使用反卷积(·)dc将特征重新调整为输入尺度，并将空间权重结合输入特征，融合两个注意力特征，并与原始输入f进行残差连接，DSM能够捕捉到具有区域退化突出特征的隐藏特征fh，公式如下：

4.根据权利要求3所述的一种水下图像色彩恒常性增强方法，其特征在于，所述激活函数阶段引入了残差连接，并通过多尺度特征融合模块MFM进行输出处理，计算过程如下：其中，MFM(·)代表多尺度特征融合操作，ΦBP(·)代表批归一化和PreLU函数串联操作3

的组合，xin代表校正图像， 表示在阶段三感受野大小为s的上下文特征，M 为分支的输出， 表示像素级加法。

5.根据权利要求4所述的一种水下图像色彩恒常性增强方法，其特征在于，所述将复原图像输入至预先建立的基于残差的细节增强网络模型内的过程：基于残差的细节增强网络模型RDEN通过自适应学习代表性特征，将浅层信息有效传递到深层，借助跳跃连接和DSM，RDEN对输入图像中的关键特征进行加权，RDEN通过卷积层生成特征图，并经过PReLU激活层激活，随后，图像依次经过三个卷积块，每个卷积块包含三组卷积层和PReLU激活函数，通过跳跃连接，将加权后的输入图像与卷积块的输出结合。

6.根据权利要求1所述的一种水下图像色彩恒常性增强方法，其特征在于，所述将增强图像输入至预先建立的水下图像增强网络模型内进行优化训练的过程：使用图像特征计算误差，联合损失函数Ltotal计算：

联合损失函数由以下两个部分组成，其中，第一部分损失函数L2表示为：*

其中，N代表总的样本数量，J(x)为输出图像，J(x)为参考图像，||·||表示为L2范数，i是索引变量；

第二部分感知损失函数：感知损失函数利用在ImageNet数据集上预训练的VGG16模型，通过将增强后的图像和参考图像分别输入预训练的VGG网络，计算在特定层的特征差异，通过选取Relu2_2层提取的特征，将增强图像与真实水下图像在该层特征间的范数差定义为感知损失函数，感知损失函数Lp的公式如下所示：其中，V(·)代表预训练网络模型；

联合损失函数Ltotal如下：

* *

Ltotal＝ω1·L2(J(x),J(x))+ω2·Lp(J(x),J(x))其中，ω1和ω2为预设参数。

7.一种水下图像色彩恒常性增强系统，采用了权利要求1至6中任一项所述的一种水下图像色彩恒常性增强方法，其特征在于，包括：颜色校正模块，用于接收水下图像数据，将水下图像数据输入至预先建立的基于自适应校正因子的多层次色彩校正模型内，输出得到校正图像；

图像处理模块，用于将校正图像输入至预先建立的多尺度联合复原网络模型内，输出得到复原图像，将复原图像输入至预先建立的基于残差的细节增强网络模型内，输出得到增强图像；

图像增强模块，用于将增强图像输入至预先建立的水下图像增强网络模型内进行优化训练，输出得到训练后的水下图像增强网络模型，获取待测试的水下图像数据集，将待测试的水下图像数据集输入至训练后的水下图像增强网络模型内，输出得到水下图像增强结果。

8.一种终端设备，包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序，其特征在于，所述存储器中存储有能够在处理器上运行的计算机程序，所述处理器加载并执行计算机程序时，采用了权利要求1至6中任一项所述的一种水下图像色彩恒常性增强方法。

9.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器加载并执行时，采用了权利要求1至6中任一项所述的一种水下图像色彩恒常性增强方法。