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；将整个图像进行归一化，先转化为灰度图；Gamma压缩公式如下：I(x,y)＝I(x,y)gamma      (1)

(3)用[-1,0,1]梯度算子对原图像做卷积运算，得到x方向的梯度分量gradscalx，然后用[1,0，-1]T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)生成网络G和判别网络D学习构建HOG特征分布；

(8)生成网络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，并通过判别网络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)；对于判别网络D ，其功能是最大限度的区分出判别清晰率和生成清晰率；而对于生成网络G*，其作用是最小化(1-D(G(F)))，使得网络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。

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，加入先验信息，通过对图像进行特征提取，进而利用提取的特征，构建特征分布，通过生成网络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，从而得到清晰率，得到了针对各种情况采用先验信息进行正则化约束的函数：λ*P(G,D,Cpm2.5,Cpm10)    (6)

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。

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，判别网络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。

4.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，利用卷积网络对雾霾图片中清晰率的特征逐层抽象化，结合ReLU对相关信息进行融合与特征提取，得到雾霾场景中清晰率相关抽象特征；在生成网络中加入批标准化层和空间池化层。

5.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网络，利用判别网络对生成网络进行反向调节；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。