室外雾霾天气下拍摄的图像清晰度差、对比度低,视觉信息受到损失,很难从图像中提取到有用信息。降质的图像给监控、目标检测等应用造成一定困难。为了获取清晰的图像,去雾研究应运而生。并且随着数字图像技术和硬件设备的发展,视频处理已成为日常生活的重点。为了对视频图像做去雾处理,需要解决两个关键问题:一是自适应去雾以恢复高质量图像,二是算法效率要满足实时性要求。本文基于暗通道先验去雾算法,在CPU-GPU异构平台上完成实时去雾研究。主要工作如下:(1)去雾算法优化。本文利用形态学膨胀操作消除图像中景深突变处出现的光晕现象。图像中天空区域不满足暗通道先验理论,造成去雾图像的天空部分出现噪点。本文先判断图像是否含有天空区域,然后对天空区域做透射率补偿,拉伸天空部分的透射率,消除噪点。本文采用单幅图像去雾算法做视频去雾,在恢复的视频中容易出现闪烁问题,究因于相邻帧的大气光估计值跳跃严重,本文利用视频的帧间关系约束大气光估计值,既保证其随着场景变化而自动调整,又保证其不出现频繁跳跃。通过一系列算法优化,确保去雾图像的质量。(2)并行算法优化。本文去雾算法涉及最小值滤波、均值滤波、大气光值估计和普通矩阵计算四种类型计算。最小值滤波算法使用并行化的快速最小值滤波算法做深度加速。均值滤波算法,基于积分图思想,从滑动窗口算法到并行扫描算法,逐步提高优化效率。对于大气光值估计,本文提出纵向分块算法,对块内数据使用归约比较。对于普通矩阵运算,本文采用单线程计算单点像素的方式做优化。在算法层面上对去雾方案做了深度并行优化。(3)数据访问优化。在算法的内核函数中,有一些需要经常访问的数据,本文利用GPU的共享内存,加速数据访问。在滤波算法中,本文采用行列分离的优化方式,为了加速对全局内存中纵向数据的访问,采用转置的方式,使纵向数据满足合并访存。在视频图像处理中,图像数据需要频繁在两平台之间传输,为了降低传输延迟,本文采用异步数据传输方式,隐藏平台之间数据传输时间。本文对去雾方案在算法方面以及内存方面提出了优化策略,并且结合硬件系统做出实现。本文方案极大地提高了去雾图像的质量,并提高了算法的运行速度。在GTX1080 Ti的平台上对1080P视频的加速比达到480倍,单帧处理时间不足7毫秒。在多平台上对1080P视频进行测试,结果均满足实时去雾要求。