图像作为重要的信息载体,是人类获取信息的重要来源,被广泛应用于人工智能、模式识别、智能交通等领域。图像品质的高低直接决定了人类能否真实准确地获取场景目标信息。在现实生活中,由于成像设备的因素,或者诸如雾霾、薄雾等不良天候的影响,成像设备获取的图像会模糊退化从而变得不清晰。因此研究如何消除雾霾的影响,使有雾图像变得清晰可见是尤为必要的。图像去雾大致可使用两种方法实现:一种通过对雾霾天生成图像进行必要的增强处理;一种是研究建立成像模型,通过假设条件或先验知识对雾图形成方程进行逆运算。前者实现简单,但是去雾效果不佳,场景适应性差;后者实现过程复杂,但是去雾质量较好,能获得较为清晰的无雾图像。本文对上述两类去雾方法进行介绍并分析了其优缺点。通过研究图像增强算法及图像评价体系,基于对雾图成像模型的分析,结合边界约束理论,重点对基于边界约束和语境正则化的去雾算法进行介绍研究,并提出了有针对性的完善和改进措施,使改进的算法去雾适应性得到增强,去雾性能得到提升。通过实验实现了改进算法的功能,并运用综合评价体系与其他算法进行对比分析。主要做了以下工作:(1)研究了图像去雾过程中对噪声进行抑制的方法。对有雾图像进行自适应中值滤波降噪预处理来实现对无雾图像的降噪,图像降噪预处理后使用拉普拉斯算子进行滤波锐化。实验结果证实,通过对有雾图像进行降噪预处理,能有效恢复出噪声较低的高质量无雾图像。(2)研究了基于边界约束和语境正则化的去雾算法,并针对算法存在的问题进行了改进,提出了区域自适应分块以增强对不同尺寸图像处理的适应性,使用双边滤波对基于边界约束的传输率进行优化以保持图像边缘结构的清晰细节。实验证明,改进的算法能有效地解决原算法存在的问题,恢复出更为清晰高质量的图像。(3)针对去雾后图像降质、对比度下降等问题,本文使用了一种对比度调整的方法,通过自适应对比度拉伸能有效地提升去雾后图像的质量。(4)从单幅图像质量评价以及多幅图像对比分析两个角度出发,运用不同的参数对去雾后图像质量进行客观评价,并通过实验结果与其他去雾算法进行性能对比分析。