1.一种复杂场景下成像计算及数据恢复方法，其特征在于，包括以下步骤：A、将复杂场景下成像数据计算分解为亮度空间和色彩空间的成像数据；

B、对两个空间中的成像数据分别进行成像计算及数据恢复，其中，在亮度空间中通过平滑先验特征建模建立亮度空间数据损失函数，通过亮度空间数据损失函数优化分离复杂场景下亮度空间中的清晰成像数据和噪声成像数据，将亮度空间中的清晰成像数据作为复杂场景下亮度空间成像数据恢复结果；基于白平衡方法对色彩空间成像数据进行恢复；

C、将亮度空间和色彩空间恢复后的成像数据进行组合，形成复杂场景下成像数据恢复结果；

对亮度空间中的成像数据通过平滑先验特征建模建立亮度空间成像数据损失函数的方法，包括如下步骤：首先，将亮度空间中的成像数据L表示为：

L＝J+B

其中，L为复杂场景下原始成像数据，J为复杂场景下清晰成像数据，B为复杂场景下亮度空间中的噪声成像数据：然后，平滑先验特征：复杂场景下噪声成像数据B比清晰成像数据J更平滑性，梯度分布密度更小；即复杂场景下噪声成像数据B的梯度分布密度小于复杂场景下清晰成像数据J的梯度分布密度，可表示为：其中，

其中， 为清晰成像数据J和噪声成像数据B在像素x处的梯度，为清晰成像数据J和噪声成像数据B梯度的概率密度函数；w是正则化参数，参数τ是截断值；

σ1和σ2为清晰成像数据J和噪声成像数据B高斯分布的标准方差；

在亮度空间中通过平滑先验特征建模建立亮度空间数据损失函数：在L＝J+B的约束下，当 最大且 最小时能够最优分离清晰成像数据J和噪声成像数据B，据此建立损失函数：其中符号*为卷积操作，||·||F为弗罗贝尼乌斯范数，当i＝1时，fi为f1，f1＝[‑1,1]为T一阶水平梯度算子，当i＝2时，fi为f2，f2＝[‑1,1] 为一阶竖直梯度算子，2

为二阶Laplace算子，ρ()为ρ(a)＝min{a/k,1}，a＝fi*J，λ、k为小常数；

所述的通过亮度空间数据损失函数优化分离复杂场景下亮度空间中的清晰成像数据的方法，包括：其中， α是权重参数，F表示快速傅里叶变换， 表示复共轭，为了避免分母为零，引入了一个极小的正常数ε。

2.根据权利要求1所述的方法，其特征在于，基于白平衡方法对色彩空间数据进行恢复的方法，包括：将恢复后的亮度空间成像数据和色彩空间成像数据进行组合变化，形成复杂场景下成像数据恢复结果；

采用白平衡的方法对色彩空间中的成像数据[a b]进行恢复，得到[a′b′]，与J′组合形成亮度‑色彩空间中的[J′,a′,b′]数据，作为复杂场景下成像数据恢复结果。