1.一种图像分块与卷积网络相结合估计透射图图像去雾方法，其特征是，将输入图像与标签图像分成n*n的表格，然后通过卷积网络进行训练，在测试时将输入图像的大小调整为每一块的大小，然后通过上采样得到与输入图像相同大小的透射图，然后将其代入大气散射模型输出无雾图像。
2.如权利要求1所述的图像分块与卷积网络相结合估计透射图图像去雾方法，其特征是，具体步骤细化如下：
步骤一，训练阶段：
1)分块：采用分块的形式将将输入图像与标签图像对应划分为n*n块的方法进行训练；
2)将分块后的数据集输入神经网络进行训练，所述网络的第一层通过简单前馈非线性激活函数maxout对每一个图像块进行特征提取，maxout单元是用于多层感知机或卷积神经网络cnn的简单前馈非线性激活函数，通过对k个特征进行像素方式最大化操作来生成新的特征，经过maxout进行特征提取之后，所有与雾相关的特征都提取出来，其公式为：
之后的网络层采用粗细网络的方式，包括：池化层，每个卷积层之后使用最大池化层；上采样层，在每个池化层之后使用一个上采样层，以确保输出的透射图与输入的有雾图的大小相等；线性组合：通过一个线性组合整合来自最后一个上采样层的特征通道，然后通过sigmoid函数得到最后的输出，sigmoid函数是一个生物学中s型的函数，也称为s型生长曲线，用作神经网络的阈值函数；
步骤二，测试阶段：
在测试时将输入图像的大小调整为每一块的大小，然后通过上采样得到与输入图像相同大小的透射图。
步骤三，将步骤二所得到的透射图代入大气散射模型，最后得到与输入图像同样大小的无雾图像。
3.如权利要求1或2所述的图像分块与卷积网络相结合估计透射图图像去雾方法，其特征是，选择n＝3。
4.如权利要求1所述的图像分块与卷积网络相结合估计透射图图像去雾方法，其特征是，在进行反向传播时，采用随机梯度下降算法的扩展式adam算法进行学习率设置。