1.一种基于图像梯度分布先验的去雾方法，其特征在于，先验模型：

将图像I(x,y)进行灰度化处理，梯度G被定义为：其中，一阶有限差分逼近： 和

在图像的边界上，使用齐次狄利克雷边界条件，由于是对灰度图像进行处理，所以梯度x y取值范围为[‑255,255]*[‑255,255]；G和G表示G分别在x和y轴上的梯度；

拉普拉斯L被定义为：L(x,y)＝ΔI(x,y),其中，Δ是拉普拉斯操作，通过使用二阶5点有限差分模板进行离散化，取值范围为[‑

1020,1020]；为了能够将直方图转化成概率分布，将图像所有的像素m*n分成各个脚，其中m和n分别是图像沿着x和y轴的像素数，对于数据集中的图像集中处理，每张图像都进行直方图的规定化，计算出梯度和拉普拉斯操作的平均分布 和 对于彩色图像，学习得到的先验分别应用在每一个颜色通道上；

梯度分布模型：

x y

考虑到G 和G 在对数尺度上都具有重尾的特性，这种特点可以被模型化为超拉普拉斯x分布，传统的一维模型在对数尺度上和p(G)相符合，但是不能满足 和先前的工作不一样，使用CDF代替PDF来模型化；

梯度的CDF的定义为：

观察C(G)的定义特点，提出了逼近CDF的参数模型：其中，atan函数的选择是基于t分布或柯西分布，T1是匹配参数；

x

对于G的分布相一致的边缘模型是：拉普拉斯分布模型：

使用CDF模型化来得到拉普拉斯操作响应的分布，具体步骤如下：对于拉普拉斯CDF，参数模型为：其中，T2是唯一的自由参数；

自然性因素和图像归化：

对于任意给定的图像I,自然因素Nf被定义为：其中，θ∈[0,1]是一个加权参数，彩色图像的自然因素 是分别对每个颜色通道c进行定义；

梯度分布的规定化：

映射函数将梯度域G转换成一个新的梯度域Gn，这个函数满足归化先验：其中，映射是无参数非线性的；

图像重构：

通过解变分模型，从映射得到新的梯度域来重构归化图像In，泊松方程为： 泊松方程可以通过基于FFT算法或小波方法解决；

映射的线性逼近：在映射函数的映射图中进行线性逼近的单参数模型为：Gn＝NfG，对原始图像进行尺度化等同于：In＝NfI。

2.根据权利要求1所述的一种基于图像梯度分布先验的去雾方法，其特征在于，所述的映射的线性逼近步骤中直接使用Nf进行尺度化。