1.一种基于回归校正网络的声呐图像配准方法，其特征在于，包括步骤：S1.创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；

S2.创建3D投影变换的几何变换网络；

S3.创建计算图像相似度的比较网络；

S4.根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。

2.根据权利要求1所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述步骤S1具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。

3.根据权利要求2所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：其中， f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签； 表示神经网络预测值；IR表示参考图像；IT表示测试图像。

4.根据权利要求1所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述步骤S2中创建的几何变换网络包括SE3层、小孔成像层、双线性插值层。

5.根据权利要求3所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，所述步骤S3中创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值； 是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。

6.根据权利要求5所述的一种基于回归校正网络的声呐图像配准方法，其特征在于，其特征在于，所述步骤S4具体为比较网络计算配准图像和参考图像的相似度，并根据所述相似度定义比较网络的损失函数，通过反向传播和迭代校正预测模型的参数得到图像的配准。

7.一种基于回归校正网络的声呐图像配准系统，其特征在于，包括：第一创建模块，用于创建3D投影变换参数的回归网络，得到3D投影变换参数的预测模型；

第二创建模块，用于创建3D投影变换的几何变换网络；

第三创建模块，用于创建计算图像相似度的比较网络；

比较模块，用于根据得到的预测模型的参数和所述几何变换网络生成配准图片，通过所述比较网络计算参考图像和配准图像的相似度，得到图像的配准。

8.根据权利要求7所述的一种基于回归校正网络的声呐图像配准系统，其特征在于，所述第一创建模块具体为利用几何变换网络生成图像的训练集，将所述生成的图像训练集传输至所述回归网络中进行预训练，得到3D投影变换参数的预测模型。

9.根据权利要求8所述的一种基于回归校正网络的声呐图像配准系统，其特征在于，所述将生成的图像训练集传输至回归网络中进行预训练，产生回归网络的损失函数，表示为：其中， f表示卷积网络；θ表示卷积网络的权重参数；μ表示地面实况标签； 表示神经网络预测值；IR表示参考图像；IT表示测试图像。

10.根据权利要求9所述的一种基于回归校正网络的声呐图像配准系统，其特征在于，所述第三创建模块中创建计算图像相似度的比较网络，产生比较网络的损失函数，表示为：其中，I′T表示测试图像IT转换后的配准图像；mR表示参考图像IR的平均值；mT表示是配准图像I′T的平均值； 是配准图像I′T的方差；σRT表示参考图像IR和配准图像I′T的协方差；c1和c2表示常数。