1.高频纹理重建的弱光图像增强方法，其特征在于，具体按照以下步骤实施：步骤1、设计一个图像频率分解模块IFD，通过对输入的低照度图像X进行频率分解，分解图像的高频信息YH和低频信息YL两部分，分别对这两部分频率信息进行增强处理操作；

步骤2、设计基于Unet网络的信噪比感知模块SNRP ，信噪比感知模块将对输入的低频图像信息进行处理，得到去噪后的图像低频信息Yd和生成低频图像的信噪比映射图M；

步骤3、设计基于CNN和Transformer的信噪比引导的高频信息重建网络SGHFR，通过该网络得到输入图像高频信息的图像的局部特征Y1和全局特征Y2，深层次提取高频图像信息的特征；

步骤4、设计高频特征融合模块FCT，将图像的局部特征Y1和全局特征Y2有选择性的融合在一起，得到增强后的高频信息重建图像Y；

步骤5、设计融合频率模块Fusion，将最终高频信息重建图像Y和去噪后的图像低频信息Yd进行融合，得到最后的图像增强结果Youtput；

步骤6、基于CNN和Transformer的图像频率分解弱光增强方法搭建神经网络，进行训练1500个Epoch，验证训练结果，保存神经网络的模型；

步骤7、测试步骤6保存的神经网络的模型，加载步骤6训练好的网络模型，将测试集输入到训练好的网络模型中，之后对测试的结果进行保存，得到增强图像；

采用SGHFP集成CNN模块和Transformer模块，使网络同时关注图像高频信息的局部和全局信息，最终将网络输出特征融合为高频信息重建图像，通过动态调整损失函数的权重，避免手工赋值，以约束网络达到最优的融合结果，从弱光环境中的可见光图像出发得到最终增强图像，且增强图像具有更加丰富的细节信息和更加清晰的结构轮廓。

2.根据权利要求1所述的高频纹理重建的弱光图像增强方法，其特征在于，所述步骤1具体按照以下步骤实施：首先将弱光场景下的可见光图像即低照度图像X送入图像频率分解模块IFD，利用2组空洞卷积对输入的低照度图像X进行卷积操作，得到图像频率分解因子Ca，使用频率分解因子Ca和输入的低照度图像X进行相乘得到高频信息YH，将频率分解因子Ca取反和输入的低照度图像X进行相乘得到图像低频信息YL，Ca、YH和YL如公式（1）（2）（3）所示：Ca = （Fconv（X））（1）

（2）

（3）

其中Fconv代表两组空洞卷积的操作，是sigmoid函数，通过sigmoid函数将数据转换为0-1范围内的值，表示逐元素相乘。

3.根据权利要求2所述的高频纹理重建的弱光图像增强方法，其特征在于，所述步骤2具体按照以下步骤实施：步骤2.1、首先将经过IFD模块分解的图像低频信息YL送入SNRP模块，利用Unet网络得到去噪后的图像低频信息Yd，Yd如公式（4）所示：Yd= Fsnrp（YL）（4）

其中Fsnrp是由Unet组成的SNRP模块；

步骤2.2、将步骤2.1得到去噪后的图像低频信息Yd和输入的图像低频信息YL计算，生成低频图像的信噪比映射图M，M如公式（5）（6）所示：（5）

M = clamp（T /mean（T））（6）

其中abs表示绝对值操作，T是初步计算的低频信噪比映射图，mean表示求平均值操作，clamp（） 表示 PyTorch 神经网络框架中的归一化函数，确保数值在 0 到 1 的范围内，M是最终的低频信噪比映射图。

4.根据权利要求3所述的高频纹理重建的弱光图像增强方法，其特征在于，所述步骤3具体按照以下步骤实施：步骤3.1、首先将经过IFD模块分解的图像高频信息YH送入SGHFR网络，利用CNN及Transformer获取图像的局部特征Y1和全局特征Y2；Transformer因为其自身分块原理，需先进行线性投影得到可见光特征序列；

步骤3.2、将特征序列依次通过1个Transformer层； Transformer层由一个MSA模块和一个MLP模块组成，MSA模块的具体步骤为：首先使用层归一化，即LN，处理特征序列，然后将处理后的特征送入MSA块，未进行LN操作的特征序列与MSA的输出进行残差连接，将残差连接得到的结果送入MLP模块， MLP模块首先使用LN处理特征序列，然后将处理后的特征送入MLP块，未进行LN操作的特征序列与MLP的输出进行残差连接，最终得到Transformer层的输出结果；

MSA如公式（1）（2）（3）所示：

（1）；

（2）；

（3）；

其中，，，，，表示序列编码长度，Q，K，V分别表示矩阵形式的query，key和value，表示向量key的维度；

MSA模块分为以下三步：首先单独学习多个Q, K, V矩阵，因此也就对应着多个学习Q，K，V的权重矩阵、和，输入矩阵X与对应的权重矩阵相乘，得到对应的Q, K,V，然后，分别对每个注意力头单独计算自注意力，并得到对应输出，最后，将所有的拼接为一个整体，然后再乘以一个输出矩阵，最终得到图像的局部特征Y1和全局特征Y2。

5.根据权利要求4所述的高频纹理重建的弱光图像增强方法，其特征在于，所述步骤4具体按照以下步骤实施：高频特征融合模块FCT具体为将步骤3得到的图像的局部特征Y1和全局特征Y2通过门控单元ConvWEGT有选择性的进行特征的融合，实现局部特征和全局特征的交互；

ConvWEGT首先把CNN提取到的局部特征Y1和Transformer提取到的全局特征Y2作为ConvWEGT的两个输入，然后根据ConvWEGT中的控制更新的权重R，完成对特征的遗忘和记忆，有选择的提取特征，实现CNN和Transformer两者的信息交互，门控单元R如公式（10） 所示：R = （wconv（Fconcat（Y1,Y2,M）））（10）；

是sigmoid函数，通过将数据转换为0-1范围内的值，以作为门控信号，Wconv（）是一组卷积操作，Fconcat（）表示 PyTorch 神经网络框架中的拼接函数，作用是将Y1,Y2,M三个图片拼接到一起；

获得融合权重R后，最后融合后的高频重建图像Y，Y的计算如公式（11）所示：（11）；

公式（11）中，表示逐元素相乘。

6.根据权利要求5所述的高频纹理重建的弱光图像增强方法，其特征在于，所述步骤5具体按照以下步骤实施：融合频率模块Fusion将最终高频信息重建图像Y和去噪后的图像低频信息Yd进行融合，通过一个卷积层和一个激活函数层得到最后的图像增强结果Youtput，1个卷积层的Kernelsizes均为，激活函数均采用ReLU激活函数，第一个卷积层F1的输入通道数为6，输出通道数为3的卷积层，其中，融合结果的通道数取3，即彩色图，图像的宽度和高度相同融合结果表示为如下公式（12）：Youtput= Fconv1（FRelu（Fconcat（Yd,Y）））（12）其中，Fconcat（）表示 PyTorch 神经网络框架中的拼接函数，作用是将Yd,Y两个图片拼接到一起，FRelu（）表示 PyTorch 神经网络框架中的RELU激活函数，Fconv1（）表示 PyTorch 神经网络框架中的一个卷积层，输出的融合结果Youtput的通道数取3，即彩色图。

7.根据权利要求6所述的高频纹理重建的弱光图像增强方法，其特征在于，所述步骤6具体按照以下步骤实施：步骤6.1、损失函数包括三部分，分别是Ldec、Lre和Lrec，对损失函数进行优化，选取权重自适应的损失函数，k表示损失函数的个数，W是每个损失函数的权重，b是每个损失函数的偏置，权重自适应的损失函数表示为如下公式（13）：（13）；

步骤6.2、首先计算IFD模块的图像高低频分解的正确性，利用小波变化得到输入图像X的真实低频图像Yg，然后计算真实低频图像和IFD模块分解的低频图像信息YL的每个像素点差值，其中用于真实低频图像和IFD模块分解的低频图像信息YL的Ldec损失函数的公式如下：Ldec = （14）；

其中 为 10−3 ，防止结果为0， 表示求取括号内的L2范数距离；

步骤6.3、首先计算SNRP模块中对图像低频信息去噪效果的计算，采用计算低频图像信息去噪Yd前后的梯度变化差异作为结果；

其中用于低频图像信息去噪的Ldre损失函数的公式如下：

（15）；

其中和分别代表对去噪后的低频图像进行沿着x轴和y轴像素点梯度变化的计算；

步骤6.4、计算Lrec，输入最终融合图像Youtput 和输入低光照图像所对应正常光照下的真实图像Xg，计算最终的增强图像和真实图像之间的差异，Lrec计算公式如下：

Lrec= （16）；

其中表示神经网络中利用VGG网络提取特征的操作， 表示L1范数距离；

步骤6.5、动态学习损失权重，将Ldec、Lre和Lrec通过自适应权重共享信息，相互补充，更新网络参数，使得网络逐渐收敛；

步骤6.6、选择显存为24GB的 GPU上训练，网络的优化器为ADAM优化器，并设置初始学习率为 0.0001，调度器策略为余弦退火学习率策略，调整的步数为1500，每次由神经网络自适应调整学习率，总共训练 1500个Epoch。

8.根据权利要求7所述的高频纹理重建的弱光图像增强方法，其特征在于，所述步骤7具体按照以下步骤实施：将步骤6训练的神经网络参数、正在训练的轮数 Epoch、优化器ADAM 和调度器进行保存，得到训练好的网络模型，在每轮训练结束后，测试该轮训练的网络模型，保存SSIM的值，第1000轮以前SSIM指标波动较大，但总体处于上升趋势，第1000轮之后，趋于稳定，最终达到0.89。