1.一种基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：该方法包括下列顺序的步骤：

(1)制作去雾网络训练所需图像集，从RESIDE真实单幅图像去噪数据集中随机选取

2000张室外图像制作训练图像集和验证图像集；

(2)搭建基于多尺度残差注意力模块的亮度分量处理卷积神经子网络；

(3)搭建基于多尺度残差注意力模块的色度分量处理卷积神经子网络；

(4)采用制作的训练图像集和验证图像集进行上述两个卷积神经子网络的训练；

(5)将待测试图像输入到训练好的卷积神经子网络中进行去雾处理。

2.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(1)具体是指：从RESIDE真实单幅图像去噪数据集中随机选取2000张干净图像，采用公式(1)所示的合成雾图像模型来制作训练图像集和验证图像集：I(x)＝J(x)t(x)+A(1‑t(x))               ⑴式中，J(x)为干净图像，t(x)为大气光传输函数，A为大气光，I(x)为合成的含雾图像；

其中大气光传输函数t(x)由公式(2)得到：‑βd(x)

t(x)＝e                     ⑵其中，d(x)为干净图像的深度图，β为大气衰减系数；

随机选择2种不同的A值和6种β来合成含雾图像；每张图像生成12张含有不同程度雾的图像，2000张干净图像总共合成24000张含雾图像；将每张含雾图像与其对应的干净图像组合成图像对；将所有图像对的尺寸大小都裁剪为256×256，并转换到LAB亮度色度色彩空间，其中21600个图像对用作训练图像集，2400个图像对用作验证图像集。

3.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：在步骤(2)中，所述多尺度残差注意力模块由4个并行的子层、1个联结层、1个通道注意力模块和1个残差模块组成，每个子层由1个1×1的卷积和1个3×3的膨胀卷积构成；4个子层的膨胀卷积的膨胀系数分别为1、2、5和7；1个联结层将4个并行子层的输出联结在一起；1个通道注意力模块为所有通道的特征赋值不同的权重，用来区分图像中不同的特征；1个残差模块将输入的特征直接按元素加到输出的特征上；

基于多尺度残差注意力模块，搭建亮度分量处理卷积神经子网络，亮度分量处理卷积神经子网络由4个多尺度残差注意力模块和3个3×3的卷积构成，每个多尺度残差注意力模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。

4.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(3)具体是指：所述色度分量处理卷积神经子网络采用粗尺度网络和细尺度网络结构，粗尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成，细尺度网络由2个3×3的卷积和2个多尺度残差注意力模块构成；粗尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为2、5、7和11；细尺度网络中的多尺度残差模块的4个子层的膨胀卷积的膨胀系数为1、2、5和7。

5.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(4)具体是指：将训练图像集输入到搭建好的两个卷积神经子网络中进行训练，训练亮度分量处理卷积神经子网络采用亮度图像，训练色度分量处理卷积神经子网络采用色度图像；共循环训练100次，每1次训练结束后，采用验证图像集进行验证；

训练两个卷积神经子网络时使用pytorch框架中默认的初始化方式进行初始化：learning rate学习率为0.0001，decay衰减率为0.0005，batch size批尺寸为N，两个卷积神经子网络的损失函数为均方误差损失函数；

所述的均方误差损失函数如公式(3)、(4)所示：其中， 和 表示处理后的亮度图像和干净的亮度图像， 和 表示处理后的色度图像和干净的色度图像。

6.根据权利要求1所述的基于LAB色彩空间的多尺度残差注意力图像去雾方法，其特征在于：所述步骤(5)具体是指：将待测试图像从RGB色彩空间转换到LAB亮度色度色彩空间，将亮度图像输入到亮度分量处理卷积神经子网络得到处理后的亮度图像，将色度图像输入到色度分量处理卷积神经子网络得到处理后的色度图像，将处理后的亮度图像和色度图像转换到RGB色彩空间，得到去雾后的图像。