1.一种最优对比度和最小信息损失的图像去雾方法，其特征在于，包括如下步骤：步骤1,建立基于McCartney大气散射模型的雾霾图像模型；

步骤2,利用高斯混合模型和期望值最大算法把图像分割成天空区域和非天空区域两类；

步骤3,基于四分树迭代的方法估计图像天空区域的大气光照强度；

步骤4,基于网格划分的方法分块，基于最优对比度和最小信息损失准则估计的图像非天空区域的每个网格单元的传播率；

步骤5，采用与图像非天空区域的平均传播率的常比例系数方法估计天空区域的传播率；

步骤6,根据大气散射模型，利用估计的模型参数，合并输出天空和非天空区域的恢复图像。

2.根据权利要求1所述的一种最优对比度和最小信息损失的图像去雾方法，其特征在于，在雾霾条件下的图像光照模型为：Ic(p)＝t(p)Jc(p)+(1-t(p))Ac，其中，Jc(p)和Ic(p)分别表示原始图像和观测图像的像素点p，c∈{r,g,b)表示红、绿、蓝三种颜色通道；Ac表示在沿着观测者视线方向无穷远处的大气光照强度，t(p)∈[0,1]表示沿光线的传播率，t(p)与场景深度成反比，计算公式为：-ρd(p)

t(p)＝e ，

其中ρ为全散射系数，d(p)表示摄像头到像素点p的景深。

3.根据权利要求1所述的一种最优对比度和最小信息损失的图像去雾方法，其特征在于，所述步骤2中，设雾霾图像I的N个像素点{p1,p2,...,pN}是独立同分布，其中像素点pi对应的红、绿T和蓝颜色值分别为Ir(pi)、Ig(pi)和Ib(pi)，1≤i≤N，即(pi＝(Ir(pi),Ig(pi),Ib(pi)))；

雾霾图像灰度信息由较暗和较亮的两个高斯密度函数混合组成，则像素点pi的混合概率密度函数P表示为：其中αr代表第r个密度分量在混合密度中的权重，满足αr≥0且 θr＝{μr,σr}是第r个密度分量参数，其中μr,σr分别表示均值和方差，fr(pi,θr)为第r个高斯密度函数分量。

包括如下步骤：

步骤21：采用模糊C均值算法对雾霾图像I初始划分为两个聚类，并初始化权重，均值和方差；

步骤22：计算每个像素点分别属于两个模型的后验概率,并根据后验概率更新每一个模型的权重，均值和协方差；

步骤23:用更新后的权重，均值和协方差更新后验概率，重新把每个像素划分到后验概率最大的类中，并计算图像的对数似然函数。

步骤24：如果对数似然函数收敛，则停止迭代进行步骤25，否则返回步骤22；

步骤25：利用贝叶斯准则把像素点划分到后验概率最大的模型，在分割后的两类结果中，选择两个模型中均值较大的一类为天空图像，另一部分为非太空图像。

4.根据权利要求1所述的一种最优对比度和最小信息损失的图像去雾方法，其特征在于，步骤3中，对分割后的天空图像进行迭代四分树定位和估计大气光照强度；对天空图像按照高度和宽度的二分之一处的位置对天空图像均匀划分为四块，然后计算每个分块的平局亮度值最大区域作为下一次划分的分块，迭代划分，直到分块小于指定的阈值结束；以最后分块颜色的平均值作为大气光照强度。