1.一种基于生成式对抗网络的图像去雾方法，其特征在于，包括如下步骤：(1)将图像转化为一个x,y,z的灰度图；

(2)标准化gamma空间和颜色空间；将图像进行归一化，Gamma压缩公式如下：gamma

I(x,y)＝I(x,y)                          (1)(3)用[‑1,0,1]梯度算子对经过步骤(1)(2)处理后的图像做卷积运算，得到x方向的梯T

度分量gradscalx，然后用[1,0，‑1]梯度算子对原图像做卷积运算，得到y方向的梯度分量gradscaly，用下述公式计算梯度；

图像中像素点(x,y)的梯度为：

式中Gx(x,y)、Gy(x,y)、H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度，垂直方向梯度和像素值；

(4)为每个细胞单元构建梯度方向直方图；

(5)把细胞单元组合成大的块，块内归一化梯度直方图；

(6)收集HOG特征：

(7)生成器G和判别器D根据收集到的HOG特征学习构建生成对抗映射网络；

(8)生成器G学习构建雾霾中悬浮颗粒物浓度到清晰率间的映射网络，得到生成清晰率，并通过判别器D对生成清晰率与最佳清晰率进行判别区分，G与D满足其中，cdist为从训练样本中获取的最佳清晰率，其作为判别过程中判别器D的参考数据判别清晰率，且从样本中得到的判别清晰率cdist满足特征分布pdata； 为G得到的生成清晰率，满足特征分布pc；F为输入特征函数，即雾霾中主要悬浮颗粒物浓度数据作为先验信息约束生成器与判别器，其满足公式：F＝λ*P(G,D,Cpm2.5,Cpm10)；对于判别器D，其功能是最大限度的区分出判别清晰率和生成清晰率；而对于生成器G，其作用是最小化(1‑D(G(F)))，使得判别器 D无法正确判断，从而形成整体网络对抗体系；提高整体网络鲁棒性，减少预估结果偏离真实情形的状况；λ称为正则化参数，其作用是根据监测到的不同的pm2.5、pm10浓度对P函数进行调节，在尽可能得到清晰结果和降低复杂度之间寻找一种平衡，P函数作为依托监测到的不同的pm2.5、pm10浓度而对优化函数进行微调节的控制函数。

2.如权利要求1所述的基于生成式对抗网络的图像去雾方法，其特征在于，判别器对输入的清晰率进行判别分类，得到正确的判别概率；通过卷积神经网络对清晰率进行特征分析并提取，得到表征清晰率变化规则的特征，并用此特征作为清晰率判别标准。

3.如权利要求1所述的基于生成式对抗网络的图像去雾方法，其特征在于，在训练模型时，运用多层感知器构建生成器，利用判别器对生成器进行反向调节；生成对抗网络通过随机梯度下降法，结合给定数据标签进行网络参数优化，最终训练得到最优网络参数。