1.一种多尺度卷积神经网络的暗通道先验去雾算法，其特征在于，包括下列步骤：
获取原始雾图，进行预处理，计算所述原始雾图的暗通道值；
计算暗通道图像并记录所述暗通道图像的每个像素点的参数；
比较像素点的亮度参数并排序，获取全局大气光值；
选取多尺度卷积神经网络，输入所述原始雾图进行训练，获取精细化透射率；
恢复出无雾图像。
2.如权利要求1所述的多尺度卷积神经网络的暗通道先验去雾算法，其特征在于，在计算所述原始雾图的暗通道值的过程中，
对所述原始雾图进行最小滤波操作，扩大原矩阵半径，多出的像素点用255值填充，再使用二重循环遍历取得最小值。
3.如权利要求2所述的多尺度卷积神经网络的暗通道先验去雾算法，其特征在于，在计算暗通道图像并记录所述暗通道图像的每个像素点的参数的过程中，
对所述原始雾图进行最小滤波处理之后获得所述暗通道图像，然后记录所述暗通道图像的每个像素点的亮度大小和坐标。
4.如权利要求3所述的多尺度卷积神经网络的暗通道先验去雾算法，其特征在于，在比较像素点的亮度参数并排序的具体步骤为，按照亮度的大小对所述暗通道图像的像素点进行降序排序，找到亮度大小在前0.1％的像素点位置的光照值强度，并记录下这些像素值的坐标。
5.如权利要求4所述的多尺度卷积神经网络的暗通道先验去雾算法，其特征在于，所述全局大气光值为亮度大小在前0.1％的像素点的光照强度均值。
6.如权利要求5所述的多尺度卷积神经网络的暗通道先验去雾算法，其特征在于，所述多尺度卷积神经网络由粗尺度卷积神经网络和细尺度卷积神经网络组成，所述原始雾图先输入所述粗尺度卷积神经网络训练，再与训练结果一同馈入所述细尺度卷积神经网络训练。
7.如权利要求6所述的多尺度卷积神经网络的暗通道先验去雾算法，其特征在于，在恢复出无雾图像的过程中，将所述全局大气光值和所述精细化透射率代入到大气散射模型中可恢复出无雾图像。