1.一种基于卷积神经网络的去雾方法，其特征在于，首先变换大气散射模型，然后搭建Encoder‑decoder网络估计中间传输图，再根据变换的大气散射模型，处理图像复原问题，最后搭建Dehazer网络实现Dehazer函数，输出去雾图像，完成去雾处理；

所述方法包括以下几个步骤：

1）分析大气散射模型，变换大气散射模型，得到有雾图像；

2）搭建Encoder‑decoder网络，估计出较为准确的中间传输图；

3）在步骤1）的基础上，基于步骤1）中得到的有雾图像和步骤2）中的中间传输图，将变换后的大气散射模型作为图像复原进行处理，得出Dehazer函数；

4）搭建Dehazer网络实现Dehazer函数，基于有雾图像和中间传输图进行计算，输出去雾图像；

其中，所述步骤3）根据步骤1）变换的大气散模型，根据最大后验概率估计技术，对图像复原进行处理，再通过半二次方分裂方法进行解耦处理，最后可得出Dehazer函数。

2.如权利要求1所述的一种基于卷积神经网络的去雾方法，其特征在于，所述步骤2）搭建Encoder‑decoder网络，根据输入能达到最大图像相关的特征，能估计出较为准确的中间传输图。

3.如权利要求1所述的一种基于卷积神经网络的去雾方法，其特征在于，所述步骤4）搭建Dehazer网络实现Dehazer函数，训练网络模型，得到训练网络模型；Dehazer网络由恒等映射可输出残差图像，由跳跃连接可输出有雾图像与中间传输图的比值，恒等映射与跳跃连接两步并行，最后可输出去雾图像。