1.一种基于多尺度亮度感知的偏振图像融合方法，其特征在于，包括以下步骤：基于斯托克斯矢量法获取线偏振度图像和强度图像；

基于亮度动态权重生成机制与双模态特征交互机制，构建多尺度亮度感知偏振图像融合网络模型；

基于多尺度亮度感知偏振图像融合网络模型对线偏振度图像和强度图像进行特征融合处理，得到偏振融合图像，其中包括：将线偏振度图像和强度图像输入至多尺度亮度感知偏振图像融合网络模型；

基于多尺度亮度感知偏振图像融合网络模型的拼接模块，对线偏振度图像和强度图像进行拼接处理，得到初步偏振融合图像；

基于多尺度亮度感知偏振图像融合网络模型的纹理融合模块，对初步偏振融合图像进行纹理特征信息融合处理，得到纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的亮度感知模块，对线偏振度图像进行亮度感知计算，得到多级亮度权重；

基于多尺度亮度感知偏振图像融合网络模型的编码器模块，结合多级亮度权重，对纹理特征融合图像进行编码处理，得到编码后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的瓶颈模块，对编码后的纹理特征融合图像进行轻量化处理，得到轻量化后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的解码器模块，对编码后的纹理特征融合图像与轻量化后的纹理特征融合图像进行解码处理，得到解码后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的卷积模块，对解码后的纹理特征融合图像进行卷积处理，得到卷积后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的亮度增强模块，对卷积后的纹理特征融合图像与线偏振度图像进行亮度增强处理，得到偏振融合图像；

其中，所述基于多尺度亮度感知偏振图像融合网络模型的亮度感知模块，对线偏振度图像进行亮度感知计算，得到多级亮度权重这一步骤，具体包括：将线偏振度图像输入至多尺度亮度感知偏振图像融合网络模型的亮度感知模块；

基于亮度感知模块的第三双重卷积层、第三批归一化层与第三非线性激活函数，对线偏振度图像进行亮度感知计算，得到第一级亮度权重；

基于亮度感知模块的第一最大池化层，对第一级亮度权重进行最大池化处理，得到第一池化后的亮度权重；

基于亮度感知模块的第四双重卷积层、第四批归一化层与第四非线性激活函数，对第一池化后的亮度权重进行亮度感知计算，得到第二级亮度权重；

基于亮度感知模块的第二最大池化层，对第二级亮度权重进行最大池化处理，得到第二池化后的亮度权重；

基于亮度感知模块的第五双重卷积层、第五批归一化层与第五非线性激活函数，对第二池化后的亮度权重进行亮度感知计算，得到第三级亮度权重；

结合第一级亮度权重、第二级亮度权重与第三级亮度权重，得到多级亮度权重；

其中，所述基于多尺度亮度感知偏振图像融合网络模型的编码器模块，结合多级亮度权重，对纹理特征融合图像进行编码处理，得到编码后的纹理特征融合图像这一步骤，具体包括：将纹理特征融合图像输入至多尺度亮度感知偏振图像融合网络模型的编码器模块；

基于编码器模块的第六双重卷积层与第二卷积注意力机制模块，对纹理特征融合图像进行纹理特征提取与校正处理，得到第一校正后的纹理特征图像；

将第一校正后的纹理特征图像与第一级亮度权重进行拼接并通过编码器模块的第三最大池化层进行下采样处理，得到第一编码后的纹理特征融合图像；

基于编码器模块的第七双重卷积层与第三卷积注意力机制模块，对第一编码后的纹理特征融合图像进行纹理特征提取与校正处理，得到第二校正后的纹理特征图像；

将第二校正后的纹理特征图像与第二级亮度权重进行拼接并通过编码器模块的第四最大池化层进行下采样处理，得到第二编码后的纹理特征融合图像；

基于编码器模块的第八双重卷积层与第四卷积注意力机制模块，对第二编码后的纹理特征融合图像进行纹理特征提取与校正处理，得到第三校正后的纹理特征图像；

将第三校正后的纹理特征图像与第三级亮度权重进行拼接并通过编码器模块的第五最大池化层进行下采样处理，得到第三编码后的纹理特征融合图像；

结合第一编码后的纹理特征融合图像、第二编码后的纹理特征融合图像与第三编码后的纹理特征融合图像，得到编码后的纹理特征融合图像。

2.根据权利要求1所述一种基于多尺度亮度感知的偏振图像融合方法，其特征在于，所述纹理融合模块包括第一双重卷积层、第一批归一化层、第一非线性激活函数、第二双重卷积层、第二批归一化层、第二非线性激活函数与第一卷积注意力机制模块；所述亮度增强模块包括第四拼接层、第十双重卷积层、第一ReLU函数、第十一双重卷积层、第二ReLU函数、第十二双重卷积层与Sigmoid函数。

3.根据权利要求2所述一种基于多尺度亮度感知的偏振图像融合方法，其特征在于，所述基于多尺度亮度感知偏振图像融合网络模型的纹理融合模块，对初步偏振融合图像进行纹理特征信息融合处理，得到纹理特征融合图像这一步骤，其具体包括：将初步偏振融合图像输入至多尺度亮度感知偏振图像融合网络模型的纹理融合模块；

基于纹理融合模块的第一双重卷积层、第一批归一化层与第一非线性激活函数，对初步偏振融合图像进行纹理特征提取处理，得到第一纹理特征图像；

基于纹理融合模块的第二双重卷积层、第二批归一化层与第二非线性激活函数，对第一纹理特征图像进行纹理特征提取处理，得到第二纹理特征图像；

将第一纹理特征图像与第二纹理特征图像进行相加并通过纹理融合模块的第一卷积注意力机制模块进行特征增强处理，得到增强后的纹理特征图像；

将增强后的纹理特征图像与初步偏振融合图像进行相加并通过纹理融合模块的激活函数进行残差连接，得到纹理特征融合图像。

4.根据权利要求3所述一种基于多尺度亮度感知的偏振图像融合方法，其特征在于，所述基于多尺度亮度感知偏振图像融合网络模型的瓶颈模块，对编码后的纹理特征融合图像进行轻量化处理，得到轻量化后的纹理特征融合图像这一步骤，其具体包括：将编码后的纹理特征融合图像输入至多尺度亮度感知偏振图像融合网络模型的瓶颈模块；

基于瓶颈模块的第九双重卷积层，对编码后的纹理特征融合图像进行特征提取处理，得到双重卷积后的纹理特征融合图像；

基于瓶颈模块的轻量化注意力机制模块，对双重卷积后的纹理特征融合图像进行轻量化处理，得到初步的轻量化纹理特征融合图像；

基于瓶颈模块的第五卷积注意力机制模块，对初步的轻量化纹理特征融合图像进行特征增强处理，得到轻量化后的纹理特征融合图像。

5.根据权利要求4所述一种基于多尺度亮度感知的偏振图像融合方法，其特征在于，所述基于多尺度亮度感知偏振图像融合网络模型的解码器模块，对编码后的纹理特征融合图像与轻量化后的纹理特征融合图像进行解码处理，得到解码后的纹理特征融合图像这一步骤，其具体包括：将编码后的纹理特征融合图像与轻量化后的纹理特征融合图像输入至多尺度亮度感知偏振图像融合网络模型的解码器模块；

基于解码器模块的第一转置卷积模块，对轻量化后的纹理特征融合图像进行转置卷积处理，得到第一转置卷积纹理特征融合图像；

基于解码器模块的第一拼接层与第六卷积注意力机制模块，将第一转置卷积纹理特征融合图像与第三编码后的纹理特征融合图像进行解码处理，得到第一解码后的纹理特征融合图像；

基于解码器模块的第二转置卷积模块，对第一解码后的纹理特征融合图像进行转置卷积处理，得到第二转置卷积纹理特征融合图像；

基于解码器模块的第二拼接层与第七卷积注意力机制模块，将第二转置卷积纹理特征融合图像与第二编码后的纹理特征融合图像进行解码处理，得到第二解码后的纹理特征融合图像；

基于解码器模块的第三转置卷积模块，对第二解码后的纹理特征融合图像进行转置卷积处理，得到第三转置卷积纹理特征融合图像；

基于解码器模块的第三拼接层与第八卷积注意力机制模块，将第三转置卷积纹理特征融合图像与第一编码后的纹理特征融合图像进行解码处理，得到第三解码后的纹理特征融合图像；

结合第一解码后的纹理特征融合图像、第二解码后的纹理特征融合图像与第三解码后的纹理特征融合图像，得到解码后的纹理特征融合图像。

6.根据权利要求5所述一种基于多尺度亮度感知的偏振图像融合方法，其特征在于，所述基于多尺度亮度感知偏振图像融合网络模型的亮度增强模块，对卷积后的纹理特征融合图像与线偏振度图像进行亮度增强处理，得到偏振融合图像这一步骤，其具体包括：获取线偏振度图像的通道均值并进行归一化处理，得到参考亮度图；

将参考亮度图与卷积后的纹理特征融合图像输入至多尺度亮度感知偏振图像融合网络模型的亮度增强模块；

基于亮度增强模块的第四拼接层，将参考亮度图与卷积后的纹理特征融合图像进行拼接处理，得到拼接后的纹理特征融合图像；

基于亮度增强模块的第十双重卷积层与第一ReLU函数，对拼接后的纹理特征融合图像进行亮度注意力值计算，得到第一亮度注意力映射系数；

基于亮度增强模块的第十一双重卷积层与第二ReLU函数，对第一亮度注意力映射系数进行亮度注意力值计算，得到第二亮度注意力映射系数；

基于亮度增强模块的第十二双重卷积层与Sigmoid函数，对第二亮度注意力映射系数进行亮度注意力值计算，得到第三亮度注意力映射系数；

将第三亮度注意力映射系数与拼接后的纹理特征融合图像进行结合实现亮度自适应校正，得到偏振融合图像。

7.一种基于多尺度亮度感知的偏振图像融合系统，其特征在于，包括以下模块：第一模块，用于基于斯托克斯矢量法获取线偏振度图像和强度图像；

第二模块，用于基于亮度动态权重生成机制与双模态特征交互机制，构建多尺度亮度感知偏振图像融合网络模型；

第三模块，用于基于多尺度亮度感知偏振图像融合网络模型对线偏振度图像和强度图像进行特征融合处理，得到偏振融合图像，其中包括：将线偏振度图像和强度图像输入至多尺度亮度感知偏振图像融合网络模型；

基于多尺度亮度感知偏振图像融合网络模型的拼接模块，对线偏振度图像和强度图像进行拼接处理，得到初步偏振融合图像；

基于多尺度亮度感知偏振图像融合网络模型的纹理融合模块，对初步偏振融合图像进行纹理特征信息融合处理，得到纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的亮度感知模块，对线偏振度图像进行亮度感知计算，得到多级亮度权重；

基于多尺度亮度感知偏振图像融合网络模型的编码器模块，结合多级亮度权重，对纹理特征融合图像进行编码处理，得到编码后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的瓶颈模块，对编码后的纹理特征融合图像进行轻量化处理，得到轻量化后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的解码器模块，对编码后的纹理特征融合图像与轻量化后的纹理特征融合图像进行解码处理，得到解码后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的卷积模块，对解码后的纹理特征融合图像进行卷积处理，得到卷积后的纹理特征融合图像；

基于多尺度亮度感知偏振图像融合网络模型的亮度增强模块，对卷积后的纹理特征融合图像与线偏振度图像进行亮度增强处理，得到偏振融合图像；

其中，所述基于多尺度亮度感知偏振图像融合网络模型的亮度感知模块，对线偏振度图像进行亮度感知计算，得到多级亮度权重，具体包括：将线偏振度图像输入至多尺度亮度感知偏振图像融合网络模型的亮度感知模块；

基于亮度感知模块的第三双重卷积层、第三批归一化层与第三非线性激活函数，对线偏振度图像进行亮度感知计算，得到第一级亮度权重；

基于亮度感知模块的第一最大池化层，对第一级亮度权重进行最大池化处理，得到第一池化后的亮度权重；

基于亮度感知模块的第四双重卷积层、第四批归一化层与第四非线性激活函数，对第一池化后的亮度权重进行亮度感知计算，得到第二级亮度权重；

基于亮度感知模块的第二最大池化层，对第二级亮度权重进行最大池化处理，得到第二池化后的亮度权重；

基于亮度感知模块的第五双重卷积层、第五批归一化层与第五非线性激活函数，对第二池化后的亮度权重进行亮度感知计算，得到第三级亮度权重；

结合第一级亮度权重、第二级亮度权重与第三级亮度权重，得到多级亮度权重；

其中，所述基于多尺度亮度感知偏振图像融合网络模型的编码器模块，结合多级亮度权重，对纹理特征融合图像进行编码处理，得到编码后的纹理特征融合图像，具体包括：将纹理特征融合图像输入至多尺度亮度感知偏振图像融合网络模型的编码器模块；

基于编码器模块的第六双重卷积层与第二卷积注意力机制模块，对纹理特征融合图像进行纹理特征提取与校正处理，得到第一校正后的纹理特征图像；

将第一校正后的纹理特征图像与第一级亮度权重进行拼接并通过编码器模块的第三最大池化层进行下采样处理，得到第一编码后的纹理特征融合图像；

基于编码器模块的第七双重卷积层与第三卷积注意力机制模块，对第一编码后的纹理特征融合图像进行纹理特征提取与校正处理，得到第二校正后的纹理特征图像；

将第二校正后的纹理特征图像与第二级亮度权重进行拼接并通过编码器模块的第四最大池化层进行下采样处理，得到第二编码后的纹理特征融合图像；

基于编码器模块的第八双重卷积层与第四卷积注意力机制模块，对第二编码后的纹理特征融合图像进行纹理特征提取与校正处理，得到第三校正后的纹理特征图像；

将第三校正后的纹理特征图像与第三级亮度权重进行拼接并通过编码器模块的第五最大池化层进行下采样处理，得到第三编码后的纹理特征融合图像；

结合第一编码后的纹理特征融合图像、第二编码后的纹理特征融合图像与第三编码后的纹理特征融合图像，得到编码后的纹理特征融合图像。