1.一种基于深度神经网络的海洋勘测图像质量增强方法，其特征在于包括以下步骤：
步骤一，原始图像预处理：采用手动或边缘检测算法采集海洋勘测的原始图像进行图像的轮廓信息；
步骤二，图像的增强处理；
2.1建立具有若干个结构相同层块的深度神经网络dnn模型；
2.2将步骤一所选轮廓内的图像输入深度神经网络dnn模型内，由深度神经网络dnn模型内不同的层块依次提取所选轮廓内图像不同的局部特征信息；
2.3深度神经网络dnn模型将每个层块提取的局部特征信息和该层块的标记数据进行匹配，并将匹配度最高的局部特征信息进行权重的分配；
步骤三，生成高分辨率图像：深度神经网络dnn模型的最后一个层块将增强处理后的图像经过加权处理全局特征和原始图像像素，得到高分辨率图像。
2.根据权利要求1所述的基于深度神经网络的海洋勘测图像质量增强方法，其特征在于：步骤2.1还包括对深度神经网络dnn的训练过程，具体如下：
2.11对海洋勘测区域进行远端和近端图像采集，选取图像轮廓，并对所选轮廓内的图像提取rgb数据和位置信息，并把rgb数据和位置信息带入哈希函数，分别生成远端和近端所选轮廓内图像的压缩签名或密钥；
2.12利用余弦相似度检测的方法，将远端和近端图像的压缩签名或密钥匹配进行匹配，生成远端模糊图像和近端具有细节特征图像的匹配对，再通过人工标注的方法对匹配对进行分类，其中清晰度高的图像的标记数据为“正”，清晰度低的图像的标记数据为“负”；
2.13标记数据为“正”的图像在深度神经网络dnn模型中，生成损失测量值；
2.14若损失测量值为1×10-3，则获得具有区分清晰海洋勘测图像和包含噪音的海洋勘测图像的深度神经网络dnn模型；否则，复步骤2.12和步骤2.13，经过若干次迭代，直至损测量值为1×10-3，获得具有区分清晰海洋勘测图像和包含噪音的海洋勘测图像的深度神经网络dnn模型。
3.根据权利要求1所述的基于深度神经网络的海洋勘测图像质量增强方法，其特征在于，步骤一中边缘检测算法的包括以下步骤：
1.1降噪：将原始图像与高斯平滑模型做卷积处理，清除原始图像的噪音部分，得到降噪图像；
1.2生成边缘：利用过滤矩阵检测降噪图像水平、垂直以及对角线方向的边缘像素点，从而生成降噪图像的边缘像素点的梯度图以及梯度方向。
4.根据权利要求2所述的基于深度神经网络的海洋勘测图像质量增强方法，其特征在于，余弦相似度检测的具体过程如下：
以压缩签名或密钥作为变量将远端和近端图像进行二维展开，得到远端和近端图像的向量；其中，远端图像的向量imagea＝[a_1,a_2,…a_n]，a为远端图像的压缩签名或密钥，近端图像的向量imageb＝[b_1,b_2,…b_3]，b为近端图像的压缩签名或密钥；然后分别计算远端图像向量和近端图像向量的点积，若选定的远端图像向量和近端图像向量的点积为1，则说明所选定的远端图像与近端图像是匹配的，若点积为-1，在说明远端图像和近端图像不匹配。