雨雾天气图像清晰化是数字图像处理的一个重要分支,对高速公路车辆智能驾驶有非常重要的意义。本文研究工作围绕雨雾天气图像清晰化问题展开,主要研究内容如下：研究了空间域、频域增强方法,这两种方法主要应用于灰度图像处理。为了解决彩色图像处理时遇到的问题,研究了Retinex理论的一系列算法,使用大量雾天图片进行实验,分析比较实验结果,发现可变框架模型Retinex算法较Retinex系列的其他算法处理速度较快,适用范围较广,但仍存在光晕效应、需迭代求解、处理得到图像颜色信息不丰富等问题。针对原始可变框架模型Retinex算法存在的缺点,提出了基于PCA的可变框架模型Retinex图像增强算法。PCA变换可以提供通道间良好的正交性,可避免由于亮度调整而带来的色度失真；改进了原始可变框架模型Retinex算法中两个参数的取值,有效减少了光晕效应的产生、降低了运算复杂度；去相关拉伸技术可进一步拓宽颜色范围,突出图像的特征信息,提高图像的对比度。实验结果从主观效果分析、信息熵、均值、方差三个方面,证明了改进算法的优越性。研究了视频去雨的帧序列差分方法和K-means方法,提出了改进的帧序列差分法。原始帧序列差分法仅适用于视频背景完全静止的情形,对于视频中含有运动物体的情形,容易产生误检测现象,去雨后视频中的运动物体较模糊。改进的帧序列差分法引入颜色信息约束,设置了R、G、B三通道色差约束值,通过与原始算法检测出雨滴候选区域的对比,表明改进算法可有效排除视频中运动物体的影响,求得的雨滴候选区域更加精准。