随着国家经济的迅速发展,自然生态环境也在一定程度上遭到了破坏,大量汽车尾气及工业废气的排放已对空气质量造成了严重影响,致使国内越来越多的城市受到雾霾灾害的侵扰。在雾、霾等恶劣天气环境下,大气中存在较多的水滴或尘粒,导致光在传播的过程中发生散射或被吸收,此时户外能见度大幅下降,所拍摄的图像往往模糊不清,对比度相对较低。而安全监控设备等高度依赖于户外图像清晰度的系统其性能因此急剧下降,甚至无法正常运作。在此背景下,实现对图像的去雾处理是图像清晰化的一种有效手段,具有极其重要的现实意义。目前主流的单幅图像去雾算法主要利用各种与雾相关的颜色特征或先验知识,估计出图像中各区域的雾气浓雾作为辅助信息,再在此基础上复原出无雾图像。虽然各主流算法均能在一定程度上达到去雾的效果,但不同算法所依赖的颜色先验知识往往存在各自的场景局限性,同时对于具有大片天空区域或白色物体的有雾图像容易失效。针对上述问题,为了更进一步地提高单幅图像去雾算法的普适性,本文提出了一种基于特征学习的单幅图像去雾算法,主要研究工作和创新点如下:(1)通过采集大量户外无雾图像及其对应的场景深度图,根据大气散射模型,构建了一个用于客观评价去雾质量的标准数据集。该数据集包含了大量有雾图像及其对应的标准无雾图像,运用不同去雾算法对数据集中的有雾图像进行去雾,再与对应的无雾图像进行比较,能够定量地评估去雾算法的去雾能力。(2)深入总结了目前主流的基于物理模型的单幅图像去雾算法,重点归纳了其所使用的颜色先验或特征,并且基于本文所构建的标准数据集,进一步对各种颜色先验或特征的有效性进行了统一评估与分析。(3)采用本文所构建的标准数据集作为训练样本,通过深度学习的方法从中提取出与雾霾相关的结构纹理特征,并将该特征与多种颜色特征相结合,运用于单幅有雾图像的场景深度估计,最后根据估计得出的场景深度信息实现无雾图像的复原。该去雾方法能有效处理带有白色物体和大片天空区域的有雾图像,大幅度提高图像的清晰度。