随着人类活动日益复杂,加上空气质量不断下降,使得空气中的颗粒物密度增加,对全球大气光的折射、散射程度加大,雾、雾霾现象时有发生,导致人眼或其他成像设备捕捉到的视觉信息受到了影响,出现图像边缘模糊、细节丢失等现象。当前存在多种计算机视觉图像处理算法,能够还原图像的清晰度,消除雾对图像质量的破坏。但是对有雾图像清晰度的还原效果还有待提高,基于此,本文提出了一种新颖的、有效的基于雾的浓度尺度先验的去雾模型,并达到了预期的去雾效果。首先从基于大气散射物理模型的传统方法去雾和基于深度学习神经网络算法的去雾两方面,简要介绍了图像去雾在国内外的发展现状。然后通过详细描述大气散射模型的原理,了解雾天图像成像的本质,为了解决单张图像去雾的病态问题,需要对去雾模型做出一些假设,故介绍了两大经典的基于先验信息的图像去雾模型:暗通道先验和颜色衰减先验去雾模型。本文提出的基于雾浓度尺度先验的单张图像去雾算法,是针对图像增强技术中的伽马变换进行改进的。为了使不同浓度的有雾图像在经过伽马变换之后,都能恢复到效果最佳的清晰图像,我们利用图像亮度与饱和度的差的平均值,作为这张图像雾的浓度尺度。根据不同图像得到的不同的浓度尺度,估计出合理的参数作为伽马变换的指数,从而使单张图像的去雾效果达到最佳。该算法对有雾图像雾的浓度具有针对性和精准性。从对比实验结果来看,我们的模型无论是在人工合成的有雾图像上,还是在真实世界的有雾图像中,其PSNR和SSIM值均达到最大,且运算时长最短。接下来,对基于雾浓度尺度先验的单张图像去雾算法进行两个方面的改进。第一种改进方法是改进拟合伽马估计函数的拟合方法;第二种改进方法是对最优伽马值的重定义。这两种改进方法均得到了优化的实验结果。