1.一种基于卷积神经网络的单幅图像去雾方法，其特征在于，包括依次执行的步骤(1)至(9)：(1)构建训练样本和测试样本：获取若干无雾图像，在无雾图像上添加不同浓度的雾，得到有雾图像，将有雾图像和无雾图像转换成HDF5格式的图像块，并按照预设比例分别将有雾图像的图像块和无雾图像的图像块分为两部分，一部分作为训练样本，另一部分作为测试样本；

(2)构建多尺度深度卷积网络模型，所述多尺度深度卷积网络模型包括浅层卷积神经网络和深层卷积神经网络；

浅层卷积神经网络包括：依次级联的输入层、卷积层、全连接层、池化层和输出层；其中，输入层将输入图像块i映射到R、G、B颜色空间，卷积层采用高斯滤波器对输入图像块的R、G、B颜色通道的值分别进行卷积，卷积后的结果为其中，Ic表示输入图像块R、G、B颜色空间的某一颜色通道的像素值矩阵，W1和B1分别表示对应的卷积网络的权重系数矩阵和偏差矩阵；

全连接层对上述卷积层的结果进行合并，合并后的结果为：池化层对全连接层的结果进行下采样后，可得到输入图像块的高维特征向量F2：其中，F2(x)表示输入图像块中像素点x处的特征值，Ω(x)是输入图像块中以像素点x为中心的某一区域；将池化层的结果F2通过输出层输出至深层卷积神经网络，F2即为输入图像块的场景深度矩阵；

深层卷积神经网络包括：输入层、多尺度映射单元、多尺度连接层、池化层、卷积层、BReLU激励层和输出层；

其中，输入层接收浅层卷积神经网络输出的高维特征向量F2；多尺度映射单元将F2映射为其中，W3为多尺度映射单元中3组不同尺度的卷积网络分别对应的权重系数矩阵，B3为偏差矩阵，*代表卷积操作；

多尺度连接层对上述多尺度映射单元的输出结果进行合并得到F3：其中， 分别为所述3组不同尺度的卷积网络的输出结果；

然后，池化层对多尺度连接层的输出进行下采样，池化层的输出为F4：卷积层将池化层的结果F4映射为F5：

F5＝W5＊F4+B5

其中，W5为多尺度映射单元中卷积网络的权重系数矩阵，B5为偏差矩阵，*代表卷积操作；

BReLU激励层利用双边修正线性单元BReLU激活函数对卷积层的输出结果F5进行非线性回归，得到F6：F6(x)＝min(amax，F5(x))

其中，amax为双边修正线性单元BReLU激活函数的上幅值；

最后，令t＝F6，输出层输出t，t即为输入图像块的透射率矩阵；

(3)构建损失函数：

当只有单个训练样本i时，损失函数为：

当有多个训练样本时，损失函数为：

其中，ti表示训练样本i的透射图，n是训练样本的个数，λ表示衰减参数，Wji表示训练样本i的权值系数矩阵Wj，表示训练样本i的实际透射率矩阵；

(4)对每个Wji，用平均值为0和标准偏差为0.001的高斯分布随机初始化Wji中的各项分量；初始化Bji为0，Bji表示训练样本i的偏差矩阵Bj；初始化ΔWji＝0，ΔBji＝0；

(5)对每个样本i，利用反向传播算法求出Wji和Bji的偏导： 和求出Wji和Bji的变化量：

(6)更新：

(7)将更新后的Wji和Bji代入损失函数，重复执行步骤(5)至(7)，直至损失函数的值最小，至此，所述多尺度深度卷积网络模型训练完毕，转入步骤(8)；

(8)将新的有雾图像输入训练好的多尺度深度卷积网络模型，得到的输出结果作为该新的有雾图像的初始透射率；

(9)估计出新的有雾图像拍摄时的大气光强A；根据大气散射模型恢复相应的无雾图像。

2.根据权利要求1所述的一种基于卷积神经网络的单幅图像去雾方法，其特征在于，所述 根据大气散射模型计算得到，大气散射模型为：其中，I表示训练样本i的光强矩阵，J表示原始的无雾图像中与训练样本i相对应的图像块的光强矩阵，A为训练样本i相应的有雾图像拍摄时的大气光强度A。

3.根据权利要求2所述的一种基于卷积神经网络的单幅图像去雾方法，其特征在于，所述估计有雾图像拍摄时的大气光强A的方法为：估计有雾图像的暗通道图：

dark c

其中，I 表示有雾图像的像素矩阵I的暗通道图估计结果，I 表示I的某一颜色通道的值，y表示像素点；

对获得的暗通道图的像素值进行降序排序，选取排在前千分之一的像素点作为候选点，将候选点对应到有雾图像中的相应位置，在有雾图像中计算候选点相应位置的亮度值，将计算出的最大亮度值作为大气光强估计值A。