不良的天气(雨、雾、霾)状况会导致户外成像系统获取的图像出现降质。近年来,基于计算机视觉技术的应用系统广泛地使用在各领域中,但是受雾霾影响的模糊图像其应用价值降低,对基于计算视觉系统的精确度和准确性造成严重干扰,因此针对雾霾天气状况下降质图像的去雾清晰化处理成为计算机视觉技术应用发展中至关重要的问题,并具有实际的研究意义。因为无法确定未受雾霾影响之前图像的真实情况,因此对图像去雾清晰化处理具有很大的不确定性,这极大增加了图像去雾的难度;当前图像去雾算法主要针对雨雾天图像成像进行建模,由于建模型基于一定的前提假设,存在一定的局限,因此去雾算法性能和运算效率仍然有一定的改进空间。本文的核心旨在探讨雾霾天气状况下的降质图像去雾清晰化处理。本文首先研究大气退化物理模型的构建机理,在现有去雾算法研究的基础上,提出了一种基于大气光幕的自适应图像去雾清晰化算法(self-adaptation dehazing,SAD),针对传统去雾算法处理大面积亮域容易产生块效应(“Halo”效应)的问题;更进一步地,针对当前去雾算法中基于大气退化模型存在的局限性,研究卷积神经网络(Convolutional Neural Network,CNN)的组成原理,探讨基于卷积神经网络的图像去雾清晰化处理算法,寻求退化图像与清晰图像之间更精确的关系,提出能适用于不同场景的图像去雾算法,由于受数据采集的限制,本文的算法更加适应于农田和建设用地监控两个场景中。本文围绕图像去雾清晰化处理的相关理论研究,本文主要展开以下两方面的研究工作:(1)针对图像去雾算法在处理大面积亮域背景图像容易出现“Halo”效应,并且将白色场景当成雾气进行处理的问题,提出一种基于大气光幕的自适应图像去雾清晰化算法,通过与主流去雾算法进行对比试验,验证SAD算法具有客观有效性与实时性。SAD算法以拉普拉斯算子构建滤波器对输入图像的最小值图像进行滤波平滑去除图像的纹理信息,其中该滤波器在滤除纹理信息的同时能对图像边缘进行较好地保护;其次,根据雾天图像及其对应饱和度图像之间的对应关系构建自适应的修正系数;采用全局可变的大气光值代替传统大气光值取值方法。最后,通过客观对比试验验证SAD算法的客观有效性,SAD算法运算速度相对基于He算法提升30%,Tarel算法提升170%,Zhu算法提升9%;客观量化综合评价指标和均方误差(mean-square error,MSE)评价指标中,SAD算法最优分别占76.67%和60%。(2)SAD算法能够较好地抑制有雾图像复原时在亮域背景容易出现“Halo”效应的问题,但SAD算法与其他基于物理模型的图像去雾算法都是基于一定的假设条件,不能很好地适应于多种其他场景的图像去雾清晰化处理。因此,本文提出一种基于残差神经网络(Residual Network,ResNet)去雾算法(Dehazing-net based on ResNet,DoR),对不同场景的图像使用神经网络统一建模,精确地反映雾天图像及对应清晰图像之间的关系,使得图像去雾算法能够适用于不同场景的应用。DoR算法精心设计神经网络的结构和损失函数,使用同一场景的有雾图像及其对应清晰图像训练网络;网络设计为端到端的方式,即输入时有雾图像,输出是清晰的图像,避免人为因素对建模结果的影响,网络能够学习到清晰图像与有雾图像之间的精确关系,相对于需要大量人为因素参与的传统图像去雾算法更加精确,并且能够处理不同场景的有雾图像。