大范围频发的雾霾天气下,户外场景的能见度显著下降,致使采集的户外图像出现对比度低、细节模糊、色彩暗淡等降质现象,极大限制了依赖户外清晰图像工作的交通监管、智能驾驶、航天航空等系统效用发挥。因此,针对雾天降质图像的去雾增强处理成为研究的热点问题。为了能高效、准确地评估去雾增强图像的质量进而度量相应去雾算法的性能,设计合理的去雾图像质量评价算法,具有重要的现实意义和实用价值。本文分别针对去雾图像细节复原不清晰、边界保持不足以及图像过饱和失真无法估计的问题,提出了相应的研究方法,具体工作如下:(1)提出了一种基于改进导向图的加权引导滤波图像去雾算法。该方法针对传统基于引导滤波优化的去雾算法中复原图像存在的细节复原不清、边缘保留不足等问题,提出利用改进导向图的加权引导滤波优化场景深度图进行图像去雾工作。首先通过暗通道统计规律粗略估计场景的深度图,该深度图边界区域存在明显的块失真,景深相近区域不够平滑。导向图是基于引导滤波优化深度图方法中输出图像边缘保持和平滑的依据,由于相对总变差模型显著的纹理平滑和结构保持效果,将其用于导向图的优化过程。优化后的导向图与加权引导滤波器有效结合进行场景深度图的优化,有效解决了原始加权引导滤波不适合优化场景深度图的问题。最后将优化后的场景深度图代入雾天图像退化模型复原无雾场景。该算法优化的场景深度图较传统引导滤波优化的深度图纹理细节更为平滑,显著结构及复杂区域边界保留更为完整,进而使得复原的无雾图像去雾程度更为彻底,细节纹理更为清晰,视觉效果更加自然。(2)提出了一种基于相对总变差RTV正则化优化的图像去雾算法。该算法针对大多数基于滤波器和正则化优化方法中局部块处理所带来的复原图像边缘“光晕”现象,提出了利用相对总变差RTV正则化方法优化场景深度图的去雾算法。首先针对小窗口操作下暗通道先验低估场景深度值和噪声点难以消除的问题,对暗通道先验估计的场景深度图进行了自适应补偿。由于相对总变差RTV模型基于全局思想平滑纹理和提取复杂纹理区域内的边界和显著轮廓结构信息,将其用于场景深度图的优化,显著缓解了局部块处理操作所带来的边缘“光晕”问题,最后结合雾天图像退化模型进行图像去雾工作。该算法优化的场景深度图景深相近处几近平滑,结构突出,复原的无雾图像整体轮廓结构和复杂区域的边缘结构保留完整,显著缓解了边缘“光晕”现象。(3)提出了一种基于排序学习的去雾图像质量评价算法。针对现有去雾图像质量评价算法雾浓度估计偏差和过饱和失真现象无法估计的问题,从去雾图像雾浓度和过饱和失真两方面提取去雾图像质量评价的特征。由于现有去雾图像质量评价算法大多依赖于准确的主观质量分数,导致预测结果不精确、不稳定、不一致,为了解决此问题,提出利用成对排序学习思想,将对去雾图像质量预测的问题转化为利用学习的思想进行图像间比较排序的分类问题。首先,依据提出的去雾图像质量评价特征,计算自建分类数据库中图像对对应的特征向量,并获取对应的表示图像对间质量优劣的分类类标。接着利用随机森林分类模型,学习图像特征与图像分类结果间的映射关系。最后,将待排序去雾图像依次两两组合,利用学习得到的分类模型,基于投票策略进行图像对分类结果预测,反演确定图像间的排序结果。实验分析充分验证了本文所选特征和所建数据库的准确性,该去雾图像质量评价算法对过饱和失真图像的评价效果远远优于传统算法结果,与人眼主观视觉感受具有较高一致性。