如今,计算机视觉系统在导航、跟踪、监控等安防领域得到了广泛的应用,其获取的图像质量对感兴趣目标能否实现精准地定位或识别具有重大的影响。然而,在有雾的天气条件下,视觉系统捕获的图像往往比较模糊、颜色饱和度低,这最终将直接限制整个系统的性能,给人们的生活与安全带来了隐患。因此,为了获得清晰的图像,对有效图像去雾算法的研究是十分有必要的,同时这也是一项充满困难的任务。针对上面的图像退化问题,本文在前人对基于大气散射模型的研究及相关理论分析的基础上,主要从以下两方面展开研究:(1)提出了基于暗通道先验与低光增强模型结合的快速去雾方法。首先,根据暗通道先验获得粗略的透射率估计,但粗略的透射率在天空区域的估计值往往有较大的误差,为了实现天空区域的良好估计,本文继续使用边界约束条件估计获得的透射率对天空区域进行修正处理,进而求取相对精确的初始透射率估计。然后,本文利用一个低光图像增强模型对初始透射率细化处理得到最终的透射率。同时,本文通过暗通道先验估计合理的大气光。最后,有了大气光和透射率估计,根据大气散射模型进行图像复原。(2)提出了基于颜色衰减先验改进的去雾算法。首先,在利用颜色衰减先验进行场景深度信息估计时,对于因最小值滤波处理在深度图中引起的块效应,本文使用双边滤波对其平滑处理,从而获得相对均匀的初始透射率估计。进一步,利用基于加权L1范数的上下文正则化来构造对初始透射率细化的目标函数。然后,从估计的场景深度图中选取千分之一个最亮的像素,再从原始图像的对应像素中选出强度最大的的作为大气光的估计值。最后,根据物理模型和估计的模型参数恢复场景辐照度。本文提出的上述两种图像去雾算法,通过实验与现有的几种算法进行主观和客观比较,实验表明,本文提出的改进算法是有效的。