1.一种基于四叉树分解与非局部先验的单幅图像去雾方法，其特征在于，按照以下步骤实施：步骤1、利用图像采集设备，获取需要执行去雾处理的雾霾图像I(x)，采用四叉树分解方式，将雾霾图像I(x)分为不同的块，具体过程是，四叉树分解为：

其中， 是经过四叉树分解后的块，l＝1,2,3,...,L表示块的个数， 表示对图像I(x)进行四叉树分解，I(x)是原始的雾霾图像，k为阈值常数；

四叉树分解首先将图像分解为四个块，然后执行阈值判断，如果某块的最大值与最小值之差大于阈值常数k，则对此块再次进行分解，直到所有分解的块都在阈值范围内；

然后对分解后的每一个小块进行最小滤波处理，则最小滤波表示为： 其中，f表示最小滤波器，*表示卷积算子；

迭代搜索区域均值与标准差的差值绝对值最大区域，当选择的搜索区域面积小于设定的阈值时停止搜索，此时对应的差值绝对值最大区域即为全局大气光区域，全局大气光区域所对应的图像位置的像素的均值设定为全局大气光值的估计值 则步骤2、基于非局部先验估计雾霾图像的粗糙透射率，具体过程是，

2.1)将雾霾图像I(x)与全局大气光值 做差，将得到的图像记为IA(x)，则大气散射模型表示成：其中，J(x)表示去雾后的清晰的无雾图像，t(x)是透射率；

将IA(x)表示成球坐标形式为：IA(x)＝[r(x),θ(x),δ(x)]，θ(x)与δ(x)分别表示经度和纬度，半径r(x)的计算表达式为：其中0≤t(x)≤1，此时球坐标系的原点对应图像的全局大气光值

2.2)依据变换后像素点的[θ(x),δ(x)]值的大小，对雾霾图像I(x)当中的像素点采用k‑medoids的方法进行聚类，假设图像整体的大气光值是一致的，每条haze‑line都经过球坐标系的原点，由非局部先验可知位于同一条haze‑line的像素点在无雾图像J(x)中的对应点的像素值是相同的，即位于同一条haze‑line上的点的半径的差异与透射率的差异成正比；假设每条haze‑line上最大半径对应的点为清晰无雾的点，即最大半径的像素点所对应的透射率为1；

最大半径的定义式如下：

其中，H表示haze‑line，根据上述求得的最大半径，得到同一条haze‑line上其他像素点对应的粗糙透射率为：步骤3、对步骤2得到的粗糙透射率进行形态学闭合运算；

步骤4、使用平滑滤波得到精细透射率；

步骤5、根据大气散射模型恢复无雾图像，具体过程是，将全局大气光值 和修正后的精细透射率t(x)代入大气散射模型公式，计算得到无雾图像J(x)，则采用设定自适应透射率下限阈值t0的方式进行修正，t0阈值的表达式为：其中，α和β为可调系数，n为透射率图像当中像素值小于α的像素点的个数，N为透射率图像的像素总数；

同时，采用自适应阈值法，则最终恢复的无雾图像表达式为其中，ω为调整参数，ω的数值大于1。

2.根据权利要求1所述的基于四叉树分解与非局部先验的单幅图像去雾方法，其特征在于：所述的步骤3中，具体过程是，采用大小为S×S像素的结构元素对得到的粗糙透射率 进行形态学闭合运算：其中，S为结构元素，符号·表示闭运算，符号 表示膨胀，符号！表示腐蚀， 表示S对粗糙透射率 做闭合运算。

3.根据权利要求1所述的基于四叉树分解与非局部先验的单幅图像去雾方法，其特征在于：所述的步骤4中，具体过程是，2

采用大小为S′×S′像素、方差为δ的高斯平滑卷积核，对粗糙透射率 进行线性加权的平滑滤波，得到精细透射率t(x)。