1.一种基于生成对抗网络的非监督低照度图像增强方法，其特征在于，包括如下步骤：构建生成对抗网络的生成器和判别器，利用训练集对生成对抗网络的生成器和判别器进行训练，使用训练后的生成对抗网络对待处理的低照度图像进行增强，得到增强图像；所述的训练集包括低光照图像和正常光照图像，所述的训练集中的图像均通过基于高斯分布的自适应阈值方法进行预处理，筛选掉低光照图像Ilow中明显偏亮，以及正常光照图像Inorm中明显偏暗的图像；

所述的通过基于高斯分布的自适应阈值方法进行预处理，具体为：分别求出每张训练集中图像的亮度均值mi，所有低光照图像的亮度均值mean(Ilow)以及标准差std(Ilow)，所有正常光照图像的亮度均值mean(Inorm)以及标准差std(Inorm)；

其中pj为图像i中第j个点的亮度，其值为RGB三通道的最大值；对于低光照图像，将mi＞mean(Ilow)+2*std(Ilow)的图像去除，对于正常光照图像，将mi＜mean(Inorm)‑2*std(Inorm)的图像去除；

其中，所述生成器具有收缩路径和扩展路径；

所述收缩路径由多个阶段组成，在一个阶段结束时，特征图被下采样，并且卷积滤波器的数量增加；所述扩展路径由多个阶段组成，在一个阶段结束时，特征图被上采样，并且卷积滤波器的数量减少；

所述收缩路径每一个阶段输出的特征图除了进入下一阶段外，还通过跳层连接与注意力图做点积，经过通道注意力模块与扩展路径中对应阶段输出的特征图相连接，以作为扩展路径下一阶段的输入；所述的注意力图为考虑梯度及亮度的自正则注意力图，利用双线性插值缩放到目标尺寸，用于和生成器收缩路径指定隐藏层输出的特征图相乘；

扩展路径的最终输出经过卷积层将通道数降低后与注意力图作点积并通过跳层连接与输入图片相加，得到生成器的最终输出。

2.根据权利要求1所述的基于生成对抗网络的非监督低照度图像增强方法，其特征在于，选取输入RGB图像三通道中最大值的通道为光照通道V，将其归一化为[0，1]，然后使用逐元素差1‑V作为初始注意力图M0，在M0的基础上，将图像每个像素的梯度大小考虑进注意力图M的生成，图像梯度G的计算公式如下所示，其中⊙代表卷积；于是最终注意力图M的计算公式为，

3.根据权利要求1所述的基于生成对抗网络的非监督低照度图像增强方法，其特征在于，所述判别器包括全局判别器Dg和局部判别器Dl，其网络结构均为前向卷积网络，且输出层通道数为1。

4.根据权利要求1所述的基于生成对抗网络的非监督低照度图像增强方法，其特征在于，生成器的损失函数如下式所示，其中， 和 分别是生成器全局对抗损失和局部对抗损失，Lc代表内容损失，Lspa代表空间一致性损失。

5.根据权利要求4所述的基于生成对抗网络的非监督低照度图像增强方法，其特征在于，对于生成器全局对抗损失其中Dg为全局判别器，G为生成器，I为输入图像；

对于生成器局部对抗损失

其中P是图像局部区域的数量， 代表生成图像R中第p块局部区域；

对于内容损失Lc，

其中φl(·)代表预训练的深度神经网络模型的第l层卷积层，W和H代表特征图的宽和高，x，y代表像素位置；

对于空间一致性损失Lspa，

其中K为非图像边缘的像素数量，Ω(i)为像素i上下左右四个相邻像素点的集合，j为其中一个像素点。

6.根据权利要求5所述的基于生成对抗网络的非监督低照度图像增强方法，其特征在于，判别器的损失函数如下式所示，其中， 和 分别是判别器的全局对抗损失和局部对抗损失，

其中J是采自于正常光照图像；

Dg为全局判别器，Dl为局部判别器，P是图像局部区域的数量， 代表正常光照图像J中第p块局部区域。