1.一种融合多级特征的生成式对抗网络图像去雾方法，其特征在于，将U‑Net的结构嵌入生成式对抗网络的生成器中，提出一种融合多级特征的生成式对抗网络，包括用于生成去雾图像的生成器、用于判别去雾图像与标签图像并反馈结果至生成器的判别器；生成器生成去雾图像方式为：首先，在下采样时，针对不同分辨率的有雾图像分别进行特征提取，并将提取的不同的特征图通过SE‑ResNet模块学习；而后，将学习后的多级特征图进行拼接，融合更多图像特征；然后，在上采样时，将融合后的特征图放入SE模块学习，以更好的分配通道权值，增强有用特征；接着，将学习好的特征图与上采样特征图拼接，融合更多图像信息；最后，将网络学习的残差图与输入的有雾图像相加，得到最终的图像去雾结果；对于三种分别是256×256、128×128和64×64的分辨率的有雾图像，在下采样时，对每层特征图同等分辨率的有雾图像进行特征提取，然后经过SE‑ResNet模块学习，将学习到的特征图与该层原有特征图进行拼接，融合更丰富的图像特征；在下采样第二层中，将下采样中该层原特征图和分辨率为128×128的有雾图像卷积后并经过SE‑ResNet模块学习后的特征图进行拼接；在下采样第三层和第四层中，将三种特征图进行拼接，分别是下采样中相应层原特征图、分辨率为128×128的有雾图像卷积并经过SE‑ResNet模块学习后的特征图和分辨率为

64×64的有雾图像卷积并经过SE‑ResNet模块学习后的特征图。

2.根据权利要求1所述的融合多级特征的生成式对抗网络图像去雾方法，其特征在于，所述生成器中的卷积核都为3×3。

3.根据权利要求1所述的融合多级特征的生成式对抗网络图像去雾方法，其特征在于，所述判别器中，使用8次卷积，每次卷积的卷积核都为5×5，每层的通道数分别为64、64、

128、128、256、256、512和512，然后将其折叠成一维数组。

4.根据权利要求1所述的融合多级特征的生成式对抗网络图像去雾方法，其特征在于，所述SE‑ResNet模块是在残差块中加入SE模块；其中，残差块结构输入xl和输出xl+1的关系式为：

xl+1＝xl+F(xl,ωl)

ωl是第l层的权重，F(·)是非线性变换；

SE模块先将输入的特征图经过全局平均池化进行压缩成一维向量后，接着进行激励操作即按全连接层、ReLU层、全连接层、Sigmoid层的顺序组成，更好的构建通道间的相关性，最后通过Scale操作将权重加权到原来的特征上；SE模块通过对通道加权来强调有效信息和淡化无效信息，更好的获取图像特征，提升网络性能。

5.根据权利要求1所述的融合多级特征的生成式对抗网络图像去雾方法，其特征在于，所述生成器采用均方差作为损失函数，损失函数公式为：其中，n为图像的像素点数量，y为网络输出的去雾结果，为相应的标签图像。

6.根据权利要求1所述的融合多级特征的生成式对抗网络图像去雾方法，其特征在于，所述判别器采用二值交叉熵作为损失函数，判别器公式如下：其中，x代表标签图像，z代表有雾图像，G(z)表示生成器输出的去雾结果，Pdata(x)代表标签图像的数据分布，Pz(z)代表有雾图像的数据分布，E代表这些分布的数学期望，D()代表判别器。