1.一种梯度引导的TV‑Retinex单帧图像去雾方法，其特征在于，包含以下步骤：步骤1：利用梯度相似性，精确估计由雾产生的亮度偏移，然后从原始图像减去此亮度偏移得到改善后的初步去雾图像；此步骤为了精确的估计亮度偏移，使用了一个各项同性的梯度校正模型，然后使用多变量的多项式拟合，最后使用半二次惩罚方法估计亮度偏移校正；

步骤2：结合变分框架TV‑Retinex使用Split Bregman算法进行图像精细化增强去雾；

此步骤利用变分框架限制模型，引入亮度图像的平滑性制约，亮度图像与原始图像之间的制约，以及视觉特性制约，根据数学定义及方法，采用Split Bregman方法进行分析求解限制模型得到精细化的亮度图像，进而分离出反射图像；

步骤2中，所述的图像精细化增强去雾，具体实现过程包括：根据Retinex理论有如下的变分框架限制模型：

上式中Ω是图像支撑域， 表示图像边缘， 表示边缘法向量，α和β是任意非负实系2

数，在上述公式中， 是亮度图像的平滑性制约，(i‑f)是使亮度图像i逼近原始图像f的制约，他们之间的差就是反射图像， 制约目的是使反射图像达到更适合于人眼的视觉特性的要求，方程(7)是一个二次函数，当i取一定灰度值时，F获得最小值，因此为了获得最小值时的亮度i，根据数学定义，首先对方程两边求导，如下式(8)所示对方程(8)，使用Split Bregman方法进行求解可以得到更加精细的亮度图像i，进而分离出反射图像，实现图像增强去雾算法；

步骤2中，采用Split Bregman方法进行分析求解限制模型得到精细化的亮度图像，具体实现过程包括：改写方程(7)成如下形式：式中 其中 分别表示水平和垂直方向的变分分量，求解式(16)的难点是范数l1是不可分的，为了克服这个问题，使用分裂Bregman方法，分裂Bregman方法的基本思想是通过引入两个附加变量 和 将非限制问题转化为有限制的问题，则式(16)变成如下的限制性方程：对于式(17)，通过加入两个惩罚项来逼近(16)从而获得非限制问题的解，如下：这里γ是一个正惩罚系数，最后，通过运用Bregman迭代方法严格执行限制条件获得三个子问题：

为了进一步简化子问题的求解，将第一个子问题(19)分成三个步骤：步骤(1)：

步骤(2)：

步骤(3)：

然后分别一步步完成上述步骤：

1)关于i的计算，上面步骤(1)是一个最小平方问题，因此i的求解很容易完成，且步骤(1)的答案可以通过考虑如下的规范化方程求得：为了加速运算，在FFT后，将差分算子斜向移动，得到下式：‑1

这里 是Laplacian算子，F是FFT算子，F 是逆FFT算子；

2)关于dx的求解，步骤(2)通过快速优化得到明确解，它使用标准软阈值‑收缩(shrinkage)公式计算得到：其中

3)关于dy的求解，步骤(3)可以仿照步骤(2)完成：

2.如权利要求1所述的梯度引导的TV‑Retinex单帧图像去雾方法，其特征在于，步骤1中，所述各项同性的梯度校正模型表述如下：其中 和 分别代表对数域中原始图像f和亮度图像i的梯度向量，|| ||2表示2范数；

亮度可以用多变量的多项式拟合，考虑K级多项式模型：其中a是参数{at,s}的列向量，W是该多项式的行向量，在式(1)中 可以由给定图像直接获得，而对于亮度偏移 其x方向分量可以表示为y方向分量同理可得，因此式(1)可写为：其中C＝[Cx；Cy]是一个常矩阵，因为可控的低幅值形态的梯度影响，使用基于WLS优化框架的平滑算子对原图进行平滑：其中I是单位矩阵， Dh，Dv分别是水平和垂直梯度算子，Wh和Wv则是依赖于原图F的平滑权值，λ是正的参数，因此修正的模型又可以写成：使用半二次惩罚方法，计算使(6)式成立的a的估值，从而得到与原始无雾图像具有最小亮度差的亮度分量。

3.如权利要求2所述的梯度引导的TV‑Retinex单帧图像去雾方法，其特征在于，步骤1中，所述使用半二次惩罚方法估计亮度偏移校正具体实现过程包括：引入附加变量将(6)改写成：

当β→∞时上式(6)的最小化解就和(11)一样了，显然，(11)关于(a,U)是凹函数，因此当a或者U有一个取定值时，E(a,U)关于另一个变量的最小值具有封闭性，且计算复杂度低，数值上高度平稳，另外，如果给定a，让 U能够通过下式解得：使用二维收缩公式，(12)的解可写成：另一方面，给定U，则a可以通过求解下式获取：因此，a的求解也可以写成下面的封闭形式：由此得到最小偏差时的亮度分量。