1.一种基于M‑LBP引导的多注意力低照度图像增强方法，其特征在于，包括如下步骤：

S1，对低照度图像采用改进的 M‑LBP 特征提取方法生成含纹理信息的M‑LBP特征图；

S2，通过循环分解模块将低照度图像二次分解为光照分量和反射分量，先得到初始光照分量 与初始反射分量 ，再对初始反射分量 二次分解得到最终光照分量与最终反射分量 ；将含纹理信息的M‑LBP特征图、叠加初始光照分量 与最终光照分量 作为光照调节模块的输入，将含纹理信息的M‑LBP特征图和最终反射分量作为双分支去噪模块的输入；

S3，采用光照调节模块对叠加后的初始光照分量 进行增强，得到增强后的光照分量；采用双分支去噪模块对最终反射分量 进行去噪处理，得到去噪后的反射分量；

S4，将增强后的光照分量与去噪后的反射分量逐元素相乘，输出最终增强图像；

所述改进的M‑LBP 特征提取方法的实现步骤如下：

S11，将选取窗口区域内的像素按8个方向径向排列，并将中心像素分别与8个方向的邻域像素一起计算平均值 ，再以8个 的均值作为中心像素 ；

S12，将该区域内的8个 分别与中心像素 进行比较：若 ，则对应的邻域被赋值为1；反之，赋值为0；

S13，将步骤S12得到的结果按顺时针构成一个八位二进制值，再将八位二进制值转化为0‑255的十进制数，作为M‑LBP值；

S14，对图像的每个像素点重复步骤S11‑S13，最后由所有M‑LBP值形成M‑LBP特征图；

所述光照调节模块由多级特征注意力模块和U‑Net组成，U‑Net为编码器‑解码器结构，处理过程如下：以叠加的初始光照分量 和最终光照分量 作为输入，先通过单层卷积层与通道注意力块提取基础特征，通道注意力块通过挤压‑激励‑注意力过程学习通道权重并突出高信息特征通道；随后编码器将特征依次下采样至小尺度，解码器利用大尺度光照信息重构局部光照分布；同时，将同尺度放缩后的M‑LBP特征图与编码器/解码器特征一同送入多级特征注意力模块，依次通过三个多级特征注意力模块完成纹理细节提取与增强；最后，经多级特征注意力模块处理的特征通过残差密集块融合，融合后的特征与原始输入图像残差相加，生成增强后的光照分量；

双分支去噪模块以M‑LBP 特征图与最终反射分量 为输入，其中，上分支通过多元特征感知模块提取正向特征，下分支对M‑LBP 特征图取反后通过多模态注意力融合模块挖掘低对比信息；将提取的正向特征和低对比信息叠加后，依次经过噪声整合模块与特征细化模块处理，去除反射分量噪声，得到去噪后的反射分量。

2.根据权利要求1所述基于M‑LBP引导的多注意力低照度图像增强方法，其特征在于，循环分解模块中的分解网络DecomNet由U‑Net和残差块组成，所述分解网络DecomNet采用长短跳混合连接方式；在对输入图像下采样过程中，使用Conv 4×4、stride=2代替最大池化层，并在编码器‑解码器每层上应用残差块，其中Conv表示卷积。

3.根据权利要求1所述基于M‑LBP引导的多注意力低照度图像增强方法，其特征在于，所述多元特征感知模块采用一倍扩张卷积、二倍扩张卷积、三倍扩张卷积并行提取多尺度特征，再经通道注意力和残差处理；所述多模态注意力融合模块包括依次连接的局部残差、通道注意力和像素注意力，通过全局平均池化生成通道权重，卷积层生成像素权重；噪声整合模块由依次连接的Tanh双曲函数、ReLU、卷积组成，特征细化模块由多组依次连接的ReLU、BN、卷积组成，噪声整合模块将上分支和下分支提取到的与噪声相关的特征进行深度融合，生成噪声特征表示。

4.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至3中任一项所述的多注意力低照度图像增强方法。

5.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述计算机程序被执行时，实现如权利要求1至3任一项所述多注意力低照度图像增强方法的步骤。

6.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1至3任一项所述多注意力低照度图像增强方法的步骤。