1.一种基于分层神经网络的图像去雾方法，其特征在于，所述方法包括以下步骤：

步骤S1、获取有雾图片，并将所述有雾图片分割为内容特征和细节特征两种成分；

步骤S2、对内容特征和细节特征两种成分进行去雾处理；

步骤S3、对内容特征和细节特征两种成分处理时产生的中间结果进行交互；

步骤S4、根据交互结果，恢复出与所述有雾图片相对的无雾图像。

2.如权利要求1所述的基于分层神经网络的图像去雾方法，其特征在于，所述步骤S1具体包括：获取有雾图片，使用一个卷积核大小为3×3的卷积层从所述有雾图片中初步抽取出初始图像内容特征，并使用卷积核大小为3×3，步长为2的卷积层将特征的大小减半，同时特征层的通道数被增加至32；

用6个叠加的残差网络从所抽取的初始内容特征中进一步抽取关于图像细节的特征，得到内容特征和细节特征；

待得到内容特征和细节特征之后，使用一个轻量级的VGG网络对两者的深度信息进行检测，得出关于图像内容和细节的模型参数；其中，所述轻量级VGG网络包含十五个卷积层、三个最大化池化层、三个最大化上采样层以及一个TanH层，且所述轻量级VGG网络中的最初两个卷积层产生的特征层通过两个跳跃链接输入至最后两个卷积层。

3.如权利要求2所述的基于分层神经网络的图像去雾方法，其特征在于，所述步骤S2具体包括：将得到的内容特征和细节特征分别送入两个网络分支进行去雾处理；其中，所述两个网络分支包括负责处理内容特征的分支及负责处理细节特征的分支，且所述两个网路分支均通过4个由卷积层构成的长短期依赖循环网络构成；所述负责处理内容特征的分支从VGG中得到关于图像内容的模型参数，并将图像内容的模型参数作为对内容的整体估计结果来进行去雾处理；所述负责处理细节特征的分支得到关于图像细节的模型参数，并将图像细节的模型参数作为对细节的整体估计结果来进行去雾处理。

4.如权利要求3所述的基于分层神经网络的图像去雾方法，其特征在于，所述图像细节的模型参数与所述图像内容的模型参数相关联，且二者的关联可通过下式来表示：其中，PDetail表示为图像细节的参数，PContent表示为图像内容的参数。

5.如权利要求3所述的基于分层神经网络的图像去雾方法，其特征在于，所述步骤S3具体包括：将所述负责处理细节特征的分支的去雾处理中产生3个关于图像细节的中间结果加到所述负责处理内容特征的分支的去雾处理中产生3个关于图像内容的中间结果中，同时将所述负责处理内容特征的分支的去雾处理中产生3个关于图像内容的中间结果中所包含的细节信息加到所述负责处理细节特征的分支的去雾处理中产生3个关于图像细节的中间结果中，且进一步使用6个叠加的残差网络进行检测，得到交互处理的内容特征和细节特征。

6.如权利要求1所述的基于分层神经网络的图像去雾方法，其特征在于，所述步骤S4具体包括：在得到交互处理的内容特征和细节特征之后，将两者点对点进行相加，并将相加后的特征层送入若干卷积层和平均上采样层构成的复原模块，通过卷积层自适应的恢复出无雾图像，且进一步通过平均上采样层将图像恢复为原始尺寸。