1.一种水下机器人视觉图像压缩方法，其特征在于，包括以下步骤：

步骤S1）在计算机中构建用于水下机器人视觉图像压缩的图像压缩模型；

所述图像压缩模型主要由编码器、解码器、子编码器、子解码器、量化模块和熵模型组成；所述编码器、解码器、子编码器、子解码器中均加载有重参数化注意力模块；

步骤S2）利用处理器训练图像压缩模型；

步骤S3）处理器基于训练好的图像压缩模型构建视觉图像编码端，利用所述视觉图像编码端对水下机器人视觉图像进行压缩编码，生成码流数据，以完成对水下机器人视觉图像的压缩；

所述的图像压缩模型包括编码器、子编码器、量化模块Q、解码器、子解码器、熵模型、第一熵编码模块、第一熵解码模块、第二熵编码模块和第二熵解码模块；所述的编码器用于对输入的水下机器人视觉图像x进行特征提取获取水下机器人视觉图像x对应的初始潜在表征y；所述子编码器用于对初始潜在表征y进行特征提取以生成初始子潜在表征z；所述量化模块Q用于分别对初始潜在表征y和初始子潜在表征z进行量化，并生成量化后的量化潜在表征yh和量化子潜在表征zh；所述第一熵编码模块用于对量化子潜在表征zh进行编码，得到子表征码流zm；所述第一熵解码模块用于对子表征码流zm进行解码，重新得到量化子潜在表征zh；所述子解码器用于对量化子潜在表征zh进行特征解码以获取边缘信息s；所述熵模型用于根据边缘信息s对量化潜在表征yh进行分布预测，并构建量化潜在表征yh对应的高斯分布概率模型；所述第二熵编码模块用于根据高斯分布概率模型对量化潜在表征yh进行编码，得到表征码流ym；所述第二熵解码模块用于根据高斯分布概率模型对表征码流ym进行解码，重新得到量化潜在表征yh；所述解码器用于对量化潜在表征yh进行特征解码以重构图像；

所述编码器和子编码器中最后一个卷积层的输出端连接有重参数化注意力模块，解码器和子解码器中第一个卷积层的输入端连接有重参数化注意力模块，所述重参数化注意力模块用于对输入的特征图进行重参数化，重参数化注意力模块的重参数化步骤如下：2

1）首先，对于输入的特征图inp，获取各个特征图inp的均值µ和方差σ；

2

2）然后，根据特征图inp的均值µ和方差σ按照以下公式处理得到新的特征图outp并输出：‑k

outp=inp+φ*inp；φ=1/(1+e )；k=mu+No*sigma2

mu=W1*µ+b1；sigma=W2*σ+b2；

其中，outp表示重参数化注意力模块的输出；inp表示重参数化注意力模块的输入；φ表示非线性激活参数；k表示重参数化参数；mu表示均值特征；No表示随机噪声；sigma表示方差特征；W1、W2、b1和b2均为重参数化注意力模块中全连接层的权重参数。

2.根据权利要求1所述的一种水下机器人视觉图像压缩方法，其特征在于：

所述步骤S3）中的视觉图像编码端基于训练好的图像压缩模型构建，包括训练好的编码器、子编码器、量化模块、子解码器、熵模型、第一熵编码模块和第二熵编码模块，所述视觉图像编码端用于对水下机器人视觉图像进行压缩编码，生成码流数据，码流数据获取的具体方式如下：首先，水下机器人视觉图像x输入至视觉图像编码端的编码器，编码器对输入的水下机器人视觉图像x进行特征提取获取水下机器人视觉图像x对应的初始潜在表征y，接着利用量化模块对初始潜在表征y进行量化，并生成量化后的量化潜在表征yh，同时利用子编码器对初始潜在表征y进行特征提取以生成初始子潜在表征z，并利用量化模块对初始子潜在表征z进行量化，生成量化后的量化子潜在表征zh，利用第一熵编码模块对量化子潜在表征zh进行编码，得到子表征码流zm，同时利用子解码器对量化子潜在表征zh进行特征解码以获取边缘信息s，再利用熵模型根据边缘信息s对量化潜在表征yh进行分布预测，并构建量化潜在表征yh对应的高斯分布概率模型，接着第二熵编码模块根据高斯分布概率模型对量化潜在表征yh进行编码，得到表征码流ym，将子表征码流zm和表征码流ym进行合并以得到码流数据并输出，以完成对水下机器人视觉图像的压缩。

3.一种水下机器人视觉图像的解压缩方法，其特征在于，所述解压缩方法对待解压缩的图像数据进行解码，对解码后的数据进行重构，得到重构的水下机器人视觉图像，其中，所述待解压缩的图像数据为采用如权利要求1～2中任一项所述的压缩方法进行压缩所得到的码流数据，所述解压缩方法包括：处理器基于训练好的图像压缩模型构建视觉图像解码端，包括训练好的解码器、子解码器、熵模型、第一熵解码模块和第二熵解码模块，所述视觉图像解码端用于对码流数据进行解码和重构图像，以生成重构的水下机器人视觉图像，重构的水下机器人视觉图像获取的具体方式如下：首先，水下机器人视觉图像对应的码流数据输入至视觉图像解码端的输入端，利用第一熵解码模块对码流数据中的子表征码流zm进行解码，得到量化子潜在表征zh，再利用子解码器对量化子潜在表征zh进行特征解码以获取边缘信息s，接着利用熵模型根据边缘信息s对量化潜在表征yh进行分布预测，并构建量化潜在表征yh对应的高斯分布概率模型，然后第二熵解码模块根据高斯分布概率模型对码流数据中的表征码流ym进行解码，得到量化潜在表征yh；最后，解码器对熵解码后的量化潜在表征yh进行特征解码以重构水下机器人视觉图像并输出。

4.一种水下机器人视觉图像传输方法，其特征在于，所述传输方法包括：

采用如权利要求1‑2中任一所述的压缩方法对实时采集到的水下机器人视觉图像进行压缩编码；和采用如权利要求3中所述的解压缩方法对所述码流数据进行解压缩。

5.一种用于实施权利要求1‑2任一所述压缩方法的压缩装置，其特征在于：

包括编码器，用于对输入的水下机器人视觉图像x进行特征提取获取水下机器人视觉图像x对应的初始潜在表征y；

包括子编码器，用于对初始潜在表征y进行特征提取生成初始子潜在表征z；

包括量化模块，用于对初始潜在表征y和初始子潜在表征z进行量化，分别生成量化后的量化潜在表征yh和量化子潜在表征zh；

包括第一熵编码模块，用于对量化子潜在表征zh进行编码，得到子表征码流zm；

包括子解码器，用于对量化子潜在表征zh进行特征解码以获取边缘信息s；

包括熵模型，用于根据边缘信息s对量化潜在表征yh进行分布预测，构建量化潜在表征yh对应的高斯分布概率模型；

包括第二熵编码模块，用于根据高斯分布概率模型对量化潜在表征yh进行编码，得到表征码流ym。

6.一种用于实施权利要求3所述解压缩方法的解压缩装置，其特征在于：

包括第一熵解码模块，用于对子表征码流zm进行解码，得到量化子潜在表征zh；

包括子解码器，用于对量化子潜在表征zh进行特征解码以获取边缘信息s；

包括熵模型，用于根据边缘信息s对量化潜在表征yh进行分布预测，构建量化潜在表征yh对应的高斯分布概率模型；

包括第二熵解码模块，用于根据高斯分布概率模型对表征码流ym进行解码，得到量化潜在表征yh；

包括解码器，用于对熵解码后的量化潜在表征yh进行特征解码以重构图像。