1.一种基于图像特征聚合模型的铁路场景图像增强方法，其特征在于，包括以下步骤：S1、采用多阶段处理策略对原始图像特征增强，特征增强后的原始图像等距划分为多个大小相等的图像块；基于内容聚类规则将划分后的图像块分组为多个子组；S2、以分组后子组中限界内子组为核心处理对象，通过非对称全局注意力机制进行特征关联计算；S3、采用铁轨轴向特征融合机制操作，提升对限界内子组内铁轨线性结构的表征能力；所述多阶段处理策略工作步骤如下：步骤一：采用沙尔算子提取直线特征；步骤二：采用双重阈值机制降噪，具体如下：设定亮度阈值、区域连通性阈值，将像素亮度值小于亮度阈值，同时所在连通区域大小大于连通性阈值，判定像素所在区域为提取直线特征时会产生误判的干扰区域；构建蒙版，将沙尔算子处理得到的原始直线特征与构建好的蒙版进行逐像素相乘的运算，过滤掉干扰区域特征，得到去噪后的图像特征；步骤三：基于形态学腐蚀和膨胀算子的直线特征放大机制，增强原始图像特征；所述直线特征为沙尔算子计算的梯度幅值；所述形态学腐蚀采用结构元素对去噪后的直线特征腐蚀；所述膨胀算子采用结构元素检查每个像素位置，判断是否保留像素；S3中的铁轨轴向特征融合机制包括特征丰富度统计和轴向注意力融合，用于让近处清晰特征辅助增强远处模糊特征，所述特征丰富度统计通过二维离散傅里叶变换将图像块从空间域转换至频率域并评估信息丰富程度，根据信息丰富程度确定图像块属于低信息块或高信息块，轴向注意力融合通过残差连接将高信息块的有用信息融合到低信息块。
2.根据权利要求1所述的基于图像特征聚合模型的铁路场景图像增强方法，其特征在于：所述内容聚类规则为：设定数量阈值，将直线数量大于数量阈值的图像块归为限界内子组。
3.根据权利要求2所述的基于图像特征聚合模型的铁路场景图像增强方法，其特征在于：所述非对称全局注意力机制工作原理为：感知子组特征：限界内子组特征、天空子组特征、限界外子组特征，将各子组的空间维度展平为一维序列选取限界内子组转化后的一维序列特征，作为注意力计算里的“查询”；而将所有子组转化后的一维序列特征拼接，作为“键”和“值”；通过点积运算计算“查询”与“键”的关联程度，并对计算后的关联程度进行缩放处理，而后对关联程度结果做归一化操作，转化为0-1间的概率值，使每个“查询”位置对应与全局特征关联的概率和为1，得到注意力权重；最后，按注意力权重从“值”中提取对限界内子组有用的信息，实现跨子组特征交互；将经注意力融合后的一维序列特征，转换回二维空间维度，得到更新后的限界内子组特征。
4.根据权利要求1所述的基于图像特征聚合模型的铁路场景图像增强方法，其特征在于：所述轴向注意力融合工作原理为：将高结构信息特征分别线性变换，得到用于注意力计算的成分，并通过注意力计算成分计算高结构信息特征与低结构信息特征之间的关联程度，得到高结构信息对低结构信息的增强部分后，与原始的低结构信息特征，通过残差连接的方式进行融合，融合的方法为：将增强部分直接加到原始低结构信息特征上，最终得到融合后的低结构信息特征。
