1.一种基于语义引导的动态融合网络弱光环境图像增强方法，其特征在于，包括：基于无监督训练框架构建多尺度动态融合网络模型，输入弱光图像获得估计光照图；

利用Retinex分解方法基于估计光照图得到弱光增强图像；

所述多尺度动态融合网络模型基于弱光图像获得估计光照图包括：对弱光图像进行多尺度特征提取获得多尺度特征图，并通过通道‑空间注意力进行融合获得综合特征图；

对综合特征图进行自适应频谱动态滤波获得滤波特征图；

将弱光图像进行语义分割获得语义分割图；

融合语义分割图和滤波特征图获得估计光照图；

所述对综合特征图进行自适应频谱动态滤波获得滤波特征图，包括：基于综合特征图的均值与标准差通过多层感知机生成路由权重；

将综合特征图映射至频谱域，获得频谱域特征图；

结合路由权重和复数滤波器获得频域调制系数：其中， 表示频域调制系数， 表示爱因斯坦求和，表示第 个滤波器，是滤波器分支索引； 代表批次大小， 代表通道数， 代表空间高度， 代表空间宽度；

表示滤波器；为滤波器分支的纬度； 表示滤波器的总数；表示路由权重：

其中， 表示归一化指数函数； 表示在 个滤波器上的加权分布，即动态路由权重分配于 个滤波器； 为中间通道数； 为多层感知器，用于生成滤波器权重； 为沿空间维度求均值， 为沿空间维度求标准差； 表示维度置换后综合特征图；

基于频域调制系数调制频谱域特征图，并将调制后的频谱域特征图转换回空间域，获得滤波后特征；

通过门控机制基于滤波后特征与综合特征图副本获得门控融合特征；

对门控融合特征进行转置获得与综合特征图相同的维度，作为滤波特征图；

所述融合语义分割图和滤波特征图获得估计光照图，包括：对具有相同空间分辨率的滤波特征图和语义分割图进行卷积，获得中间维度的滤波特征图和语义分割图；

层归一化处理中间维度的滤波特征图和语义分割图，并通过多头注意力机制获得语义关联特征；

通过门控深度卷积前馈网络优化语义关联特征获得优化特征；

融合优化特征和语义关联特征获得估计光照图。

2.根据权利要求1所述的方法，其特征在于，所述对弱光图像进行多尺度特征提取获得多尺度特征图，并通过通道‑空间注意力进行融合获得综合特征图，包括：通过五个并行的卷积分支提取弱光图像的多尺度特征图；

将多尺度特征图进行聚合生成聚合特征图；

通过通道注意力机制基于聚合特征图生成通道特征；

采用空间注意力机制基于聚合特征图生成空间特征；

将空间特征和通道特征进行融合获得综合特征图。

3.根据权利要求1所述的方法，其特征在于，所述多尺度动态融合网络模型的无监督训练框架，包括：损失函数由平滑损失和保真度损失加权求和得到，通过反向传播和优化器更新多尺度动态融合网络模型参数。

4.根据权利要求2所述的方法，其特征在于，所述通过五个并行的卷积分支提取弱光图像的多尺度特征图，包括：其中， 代表输入的弱光图像， 表示二维卷积， 代表卷积核大小， 代表空洞率， 表示全局平均池化； 表示第一尺度特征图， 表示第二尺度特征图， 表示第三尺度特征图， 表示第四尺度特征图， 表示第五尺度特征图。

5.根据权利要求2所述的方法，其特征在于，所述通过通道注意力机制基于聚合特征图生成通道特征，包括：其中，表示聚合特征图， 表示每个通道的全局特征， 表示每个通道的重要性权重， 表示通道特征， 代表全连接层； 表示全局平均池化； 为激活函数； 为激活函数。

6.根据权利要求2所述的方法，其特征在于，所述采用空间注意力机制基于聚合特征图生成空间特征，包括：其中， 表示每个空间位置的特征， 表示每个空间位置的特征的重要性权重 表示空间特征； 表示二维卷积； 表示全局平均池化； 为激活函数。

7.根据权利要求1所述的方法，其特征在于，所述通过多头注意力机制获得语义关联特征，包括：基于层归一化处理至中间维度的滤波特征图和语义分割图通过经深度可分离卷积生成键、值和查询：其中， 和 分别表示键、值和查询； 为3×3的深度可分离卷积，表示层归一化处理至中间维度的语义分割图， 表示层归一化处理至中间维度的滤波特征图；

通过多头机制基于所述键、值和查询，获得语义关联特征：其中， 表示语义关联特征， 表示中间维度。