1.一种基于神经网络的对无人机巡检航拍图像去雾方法，其特征在于，包括：基于无人机巡检航拍图像构建图像数据集；

构建启发式感知去雾神经网络，基于所述图像数据集对所述启发式感知去雾神经网络进行训练得到训练好的启发式感知去雾神经网络；

将待去雾处理的无人机巡检航拍图像输入所述训练好的启发式感知去雾神经网络进行处理得到无雾清晰航拍图像；

基于无人机巡检航拍图像构建图像数据集的过程包括：基于无雾清晰的无人机巡检航拍图像构建参照数据源；

对所述参照数据源进行指数计算得到变暗的无雾清晰图像；

对所述变暗的无雾清晰图像进行含雾处理得到含雾无人机巡检航拍图像；

所述参照数据源中每张图像与对应的所述含雾无人机巡检航拍图像构成一组有序对；

基于若干所述有序对构建图像数据集；

对所述变暗的无雾清晰图像进行含雾处理的过程包括对所述变暗的无雾清晰图像进行透射率调整和大气光值增加；

其中，对所述变暗的无雾清晰图像进行含雾处理的表达式为：式中， 表示

含雾无人机巡检航拍图像， 表示相应的像素， 表示无雾清晰图像 在相应像素的透射率， 表示大气散射系数， 表示 在相应像素对应像素点的场景深度， 表示大气光值； 表示相应像素下变暗的无雾清晰图像；

所述启发式感知去雾神经网络包括：下采样感知层、启发式感知残差模块、上采样重构层和多尺度去雾适应模块；

其中，基于所述启发式感知去雾神经网络进行图像去雾的过程包括：所述含雾无人机巡检航拍图像经两层卷积层得到第一特征图；

所述第一特征图依次经若干次下采样处理得到第二特征图，其中，基于一层所述下采样感知层和一层所述启发式感知残差模块实现下采样处理；

所述第二特征图经一层所述下采样感知层得到第三特征图；

所述第一特征图经一层卷积层和一层多尺度去雾适应模块得到第四特征图；

所述第三特征图依次经三层所述上采样重构层得到第五特征图；

将所述第四特征图和第五特征图按通道维度进行拼接后经一层卷积层处理得到第六特征图；

将所述第六特征图依次经两层所述上采样重构层和一层卷积层处理得到第七特征图；

所述第七特征图经Sigmoid激活函数处理得到无雾清晰航拍图像；

所述启发式感知残差模块进行图像处理的过程包括：输入特征图 ，将所述特征图 依次经卷积核大小为3、步长为1、填充值为1的卷积操作和LeakyReLU激活函数计算得到特征图 ；

对所述特征图 进行全局平均池化操作得到特征图 ；

对所述特征图 依次经卷积核大小为1、步长为1、填充值为0的卷积操作和Sigmoid激活函数计算得到通道权重值；

对所述特征图 依次经积核大小为1、步长为1、填充值为0的卷积操作和归一化操作得到特征图 ；

对所述特征图 依次经积核大小为3、步长为1、填充值为1的卷积操作和归一化操作得到特征图 ；

将所述特征图 和通道权重值按通道维度相乘得到特征图 ；

将所述特征图 、特征图 、特征图 进行融合得到特征图 ；

将所述特征图 和所述特征图 相加得到启发式感知残差模块的输出；

所述多尺度去雾适应模块的图像处理过程包括：输入特征图 ，将所述特征图 经卷积核大小为1、步长为1、填充值为0的卷积操作得到特征图 ；

将所述特征图 经卷积核大小为3、步长为1、填充值为1、扩张值为1的扩张卷积操作得到特征图 ；

将所述特征图 经卷积核大小为3、步长为1、填充值为2、扩张值为2的扩张卷积操作得到特征图 ；

将所述特征图 经卷积核大小为3、步长为1、填充值为5、扩张值为5的扩张卷积操作得到特征图 ；

将所述特征图 、特征图 、特征图 、特征图 按通道维度拼接得到特征图 。

2.根据权利要求1所述的基于神经网络的对无人机巡检航拍图像去雾方法，其特征在于，对所述参照数据源进行指数计算的表达式为：式中， 表示无雾清晰的无人机巡检航拍图像，表示的像素值， 表示对无雾清晰参考图像的所有像素值进行指数为0.8的指数计算， 表示变暗的无雾清晰图像。

3.根据权利要求1所述的基于神经网络的对无人机巡检航拍图像去雾方法，其特征在于，所述特征图 的计算表达式为：式中， 表示拼

接操作， 表示在通道维度。