1.一种融合偏色校正的图像去沙尘暴方法，其特征在于，构建图像去沙尘暴网络，即通过连接多个具有相同结构的沙尘感知表征提取DustAre模块，先对输入沙尘暴图像多次下采样操作，提取图像特征并融合；然后，对所提取的图像特征进行多次上采样操作，还原到原始图像空间，以获得最后的去沙尘暴图像；

考虑到沙尘暴图像与干净图像在CIELAB颜色空间的色度差异，该方法还设计一项新的损失函数 从而更好地指导网络训练，具体地，所述方法的总损失函数定义为：其中λab、λL1以及λper分别设置为0.3、1.2和0.4；

第一项 源于对沙尘暴图像和干净图像的观察，由于沙尘暴图像具有严重的颜色偏差，在CIELAB颜色空间中沙尘暴图像的平均a*、b*色度值大于干净图像的平均a*、b*色度值，因此第一个损失项 为，其中N是图像像素的总数，在去沙尘暴结果y的CIELAB颜色空间中，ya和yb分别表示a*和b*颜色分量，在经过颜色偏色校正 后对应清晰图像即标签图像 的CIELAB颜色空间中，及 分别表示a*和b*颜色分量；

第二项是平滑L1损失，记为 防止潜在梯度爆炸，其定义如下：

最后一项，感知损失 用于激励在Backbone网络中具有相似的图像特征，其定义为，其中，H、W和C分别表示网络第i层中特征图的高度、权重和通道，φi(y)和 分别表示y和 的第i层中的输出特征映射，y及 分别表示去沙尘暴结果和相应的干净图像。

2.根据权利要求1所述的一种融合偏色校正的图像去沙尘暴方法，其特征在于，所述图像去沙尘暴网络的高度和宽度分别为3和6，用 分别表示图像去沙尘暴网络网络第r行中第i个DustAre模块的输入和输出，那么在下采样操作过程，第2行和第3行中的第i+1个DustAre模块的输入可以表示为类似地，在上采样操作过程，第2行和第1行中的第i+1个DustAre模块的输入可以表示为，其中，↓及↑分别表示下采样操作和上采样操作。

3.根据权利要求1或2所述的一种融合偏色校正的图像去沙尘暴方法，其特征在于，所述DustAre模块包括两个分支，其中第一分支用于估计全局遮掩光即散射在视线中的环境光和局部空间信息，第二分支用于生成一张沙尘暴感知图像，并且融合该沙尘暴感知图像、全局遮掩光和局部空间信息，以得到DustAre模块的输出。

4.根据权利要求3所述的一种融合偏色校正的图像去沙尘暴方法，其特征在于，所述第V V一分支使用1×1×2矩阵对输入特征进行编码并生成全局遮掩光表征(β ,γ )和使用H×WS S×2矩阵生成局部空间信息表征(β ,γ )；所述第二分支首先根据公式(1)和(2)用输入x规范化两组表征，分别记为V和S，并通过实例规范化层和sigmoid层来生成沙尘暴感知图A；然后，融合A、V和S，得到DustAre模块的输出y；其中，对于DustAre模块的输入x，V、S和输出y表示为：其中，μ及σ分别表示x的平均值和标准偏差。

5.根据权利要求1所述的一种融合偏色校正的图像去沙尘暴方法，其特征在于，该方法还引入偏色校正策略，即使用颜色偏色策略检测和校正训练数据集的标签图像，使得最终去沙尘暴图像颜色更加自然，具体即：此处认为偏色因子K≥1.5时，标签图像本身更可能存在偏色；因此，在CIELAB颜色空间中校正这些图像的a*、b*分量，即最终训练标签图像 的表达式为，其中 表示原始标签图像，cor表示颜色偏色校正操作。