雾是一种常见的大气现象,空气中悬浮的水滴、灰尘、细沙或其他颗粒等都会引起成像清晰度的降低。在雾天的成像过程中,远处物体的反射光无法穿过稠密大气到达摄像头,大气散射导致成像对比度的下降。因此,图像去雾已经成为图像处理和机器视觉领域的研究重点和热点。本文主要研究图像/视频的去雾和增强,主要贡献如下:1)图像去雾的关键是大气透射率的准确估计。本文提出了可训练的端到端系统DehazeNet来估计透射率图,并通过大气散射模型重构清晰图像。DehazeNet采用特殊的卷积神经网络,其中利用Maxout单元实现与雾相关的特征提取,并提出双边修正线性单元(BReLU)以提高重构质量。实验表明,相比于现有方法DehazeNet具有更好的性能,同时保持了高效性和易用性。2)视频去雾具有更广泛的应用场景,但其额外的挑战主要来自时空相关性和计算实时性。本文提出亮度值先验并建立基于时空马尔可夫随机场的实时视频去雾框架。此外,该框架采用积分图像技术和下采样技术进行加速,显著地降低了主要的计算负担。实验结果表明,本文方法在保持实时性的同时,可有效地去除区块效应和闪烁伪影:在单CPU下实现对352×288尺寸视频流约240帧每秒的实时处理。3)在大气散射模型中,非灰白色的大气光照会导致图像的颜色失真。当在RGB颜色空间中分解出光强度,反射率仅保留物体的本征颜色,因此Retinex分解可用于颜色校正。本文提出了一种联合先验的Retinex模型,实现光强度和反射率的同时估计。场景中三维物体在二维空间的成像受其内在属性(形状和纹理)和外在属性(光照)的影响。与现有方法相比,联合先验模型可以通过形状先验保存结构信息,通过纹理先验估计精细的反射率,通过光照先验捕获环境光源。4)浓雾会导致图像严重的对比度下降和细节丢失,信息退化可通过基于尺度感知平滑的多尺度细节增强来改善。无论是在细节还是结构区域,强的边缘梯度使边缘感知滤波器自然地保留它们。对此,本文提出了一种基于高斯相对性(RoG)的尺度感知方法——RoG通过对尺度特征进行局部分析,并全局优化得到分段平滑的滤波结果。此外,本文引入可分的递归优化方法将全局优化的计算复杂度降低到O(N)。