雾霾是一种比较常见的天气现象,在这种天气情况下拍摄的图像普遍存在质量较低的问题,如对比度下降、细节丢失等,从而给后续的图像处理和分析带来很大的困难。因此,为了在雾霾天气获取高质量的图像,需要对有雾图像进行去雾处理,以提高图像的对比度,丰富图像细节,保证计算机视觉系统在雾霾天气下的正常运行。对有雾图像的去雾研究主要分为两类:一类是采用图像增强的方法,另一类是基于物理成像模型的方法。采用图像增强的方法能增强图像细节,改善图像的视觉效果,这类方法在取得去雾效果的同时也带来了一些问题,如颜色扭曲、图像失真等。基于物理成像模型的方法通过深入分析图像退化的原因,建立有雾图像的物理成像模型(如大气散射模型等),通过对模型进行逆运算从而实现雾图的复原操作。由于这种方法考虑了雾图的成像过程,取得了很好的去雾效果。目前基于物理成像模型的去雾方法中,基于大气散射模型和先验知识的算法效果突出,但是这种方法依然存在一定的缺陷,去雾算法的适用范围受到先验知识的限制,不具备普遍适用性。本文针对这个问题,提出了一种根据雾相关特征预测场景透射率的方法,通过大量研究分析雾相关的特征,筛选出其中最有效的4个特征,建立它们与透射率之间的随机森林模型,最后使用大气散射模型求解无雾图像。针对暗通道先验去雾算法在天空区域和纯白区域去雾效果不好的问题,提出了一种基于图像分割的暗通道去雾改进算法。首先采用机器学习的方法将雾图分割为天空区域和非天空区域,接着使用基于二值图像融合的方法将非天空区域分割为纯白区域和正常区域。使用不同的策略计算天空区域、纯白区域、正常区域的场景透射率。天空区域和正常区域采用的是基于颜色衰减先验和暗通道先验的透射率融合方法,纯白区域使用对暗通道透射率进行补偿的方法。最后通过大气散射模型实现图像去雾。通过对比实验可以发现,本文提出的去雾算法取得的去雾图像更加清晰、自然,没有明显的颜色扭曲,通过客观评价指标可以进一步验证本文算法取得了非常好的去雾效果。