1.一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：包括以下步骤，并且以下步骤顺次进行:
2.根据权利要求1所述的一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：所述步骤s1具体包括：从变电站监控系统中的选择不同背景和光照度的无雾图像和含雾图像各10000张，并将其进行裁剪成像素大小一致的图像，根据大气散射模型对裁剪后的无雾图像进行加雾处理，雾的浓度随机产生，得到10000张合成的含雾图像；裁剪后的无雾图像和对应的合成后的含雾图像组成图像对，随机选择8000对图像作为训练集，剩下的2000对图像作为测试集1，裁剪后的10000张含雾图像作为测试集2。
3.根据权利要求2所述的一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：所述步骤s2具体包括：
4.根据权利要求3所述的一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：所述多尺度特征提取模块由并行四个分支组成，四个分支的输入特征图相同；第一个分支由1个1×1卷积组成；第二个分支由三个并列的空洞率分别为1、2和4的3×3空洞卷积组成，三个空洞卷积的输出特征图通过拼接操作得到新的输出特征图，新的输出特征图依次经过1个1×1卷积，1个3×3卷积，2个连续的带有leakyrelu激活函数的3×3卷积，得到第二个分支的输出特征图；第三个分支依次由平均池化，3个连续的带有leakyrelu激活函数的3×3卷积和一个上采样操作组成；第四个分支依次由最大池化，3个连续的带有leakyrelu激活函数的3×3卷积和一个上采样操作组成；最后，四个分支的输出特征图经过元素相加操作得到该多尺度特征提取模块的输出特征图。
5.根据权利要求3所述的一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：所述注意力模块包含2个分支，两个分支的输入特征图均是注意力模块的输入特征图，输入特征图维度为h×w×c；第一个分支是一个跳跃连接，用于保持输入特征图；第二个分支由四个小分支组成，第一个小分支由一个平均通道池化组成，输出特征图的维度为h×w×1，第二个小分支由一个最大通道池化组成，输出特征图的维度为h×w×1；第三个小分支由两个连续的带有leakyrelu激活函数的3×3卷积和一个跳跃连接组成，跳跃连接和第三个小分支中的第二个带有leakyrelu激活函数的3×3卷积的输出特征图相同，通过拼接操作将二者的输出进行拼接，得到第三个小分支的输出特征图，该输出特征图的维度为h×w×2c；第四个小分支是一个跳跃连接；将四个小分支的输出特征图进行拼接，得到维度为h×w×(2+3c)的新的输出特征图，对该新的输出特征图进行1×1卷积以及sigmoid函数运算得到特征图的权重；最后用特征图权重乘以第一个分支的输入特征图得到注意力模块的输出特征图。
6.根据权利要求1所述的一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：所述步骤s3中的对抗网络由5个级联的结构相同的群模块和1个带有leakyrelu激活函数的3×3卷积组成，每个群模块均由一个并行模块和一个1×1卷积组成，该并行模块有三个并行分支，每个分支分别为平均池化，leakyrelu激活函数的3×3卷积和最大池化，将三个分支的输出特征图进行拼接，得到新的特征图，并将该特征图作为群模块中的1×1卷积的输入特征图；5个级联的结构相同的群模块的输出特征图经过1个带有leakyrelu激活函数的3×3卷积得到对抗网络的输入图像是真实的无雾图像还是生成的无雾图像的判断结果。
7.根据权利要求1所述的一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：所述步骤s4中的损失函数是在常规对抗损失函数的基础上引入夏尔波尼损失函数和颜色损失函数，其表达式如下(1)所示：
8.根据权利要求2所述的一种基于生成对抗网络的变电站监控图像去雾方法，其特征是：所述步骤s6模型测试步骤如下：