近年来,随着工业和城市化的发展,雾霾天气频繁出现。图像采集设备在这种恶劣条件下获取的图像通常会出现清晰度降低、信噪比低以及图像关键信息丢失等问题,严重影响室外视觉系统的性能,例如,室外视频监控系统、军事领域系统、遥感监测系统等等。采用有效的图像增强方法实现图像去雾成为近年研究的重点。本文首先介绍了大气散射对物体成像的影响,利用数学模型直观的描述图像的降质原因。然后,详细分析了基于暗通道先验的图像去雾算法:将暗通道先验与大气散射模型结合,计算图像透射率和大气光。针对透射率粗估计导致恢复图像出现块效应的问题,采用引导滤波算法细化透射率。同时,为了有效减少误差,采用四分法估计大气光的值。虽然该算法有着较好的去雾能力,但仍旧存在一些缺陷,本文的研究工作主要包括以下内容:(1)虽然使用引导滤波细化透射率不仅可以降低算法时间复杂度还能有效处理粗透射率引发的块效应,但是引导滤波对整个图像的每个区域都是采用统一的局部线性模型和规整化因子,不能适应图像本身不同区域的纹理特性,可能会导致恢复图像的某些边缘区域出现光晕伪影。针对这个问题,为了分配更大的权重处理边缘处的像素,本文设计了一个基于拉普拉斯双边滤波(Laplacian-of-Bilateral,LOB算子)的边缘感知权重函数,把该函数并入引导滤波中形成加权引导滤波。使用改进的加权引导滤波细化透射率能有效避免边缘处出现的光晕伪影现象。(2)当雾天图像具有亮度很大的区域,例如大天空区域、水面或白色物体时,恢复结果可能会出现色斑和色块等失真现象。从大气散射模型以及暗通道先验的角度出发分析,发现造成失真现象的主要原因是对图像明亮区域的透射率估计值比实际值偏低。针对这个问题,本文提出了一种根据雾天图像本身特征获得自适应容差的计算方法,利用该容差去修正暗通道先验失效区域的透射率。仿真结果显示该改进算法不仅可以很好地恢复含有大面积明亮区域的图像,避免颜色失真,还能更好的保存图像细节。