室外天气通常在烟、雾等气溶胶粒子的存在下能见度下降。这背后的原因是气溶胶粒子从物体表面散射反射的光线,从而导致光强的衰减。单幅图像去雾是计算机视觉中一个不适定的问题,其目的是从输入的有雾图像中恢复清晰图像。特别地,图像去雾可以作为许多高级视觉任务的图像预处理过程,如目标检测、人脸识别、语义分割。因此,有雾图像进行去雾处理对开展其他课题研究有着重要的现实意义。近年来,基于大气物理模型的方法取得了重大的进展。本文从研究含雾图像退化机制入手,结合稀疏表示和深度学习相关技术,提出了一种改进的基于组稀疏表示的图像去雾方法和一种基于深度学习的图像去雾方法,并且分别通过定量和定性评估来分析本文方法的有效性。本文的主要研究内容包括以下几个方面:(1)单幅图像去雾方法忽视了自然图像和有雾图像之间存在一定的偏差,降低了重构时编码系数的准确性与去雾模型的泛化性能。针对此问题,本文提出了一种改进的基于组稀疏表示的图像去雾方法。本文首先将降级模型集成到基于组的稀疏表示框架中;然后引入目标图像与参考图像的稀疏系数残差作为约束项;最后,将单个图像除雾问题视为图像恢复问题,利用组自适应匹配算法和组字典学习算法对其进行优化。本文分别利用真实有雾图像和合成有雾图像进行测试,实验结果表明,综合颜色、细节、结构等信息的恢复情况,本文的方法获得了良好的效果。(2)由大气物理模型可知,雾度的影响与场景点的透射系数成反比。因此,准确估计传输图是重建无雾场景的关键步骤。以前的方法使用各种假设/先验来估计场景传输图。尽管很多方法取得了令人满意的结果,但是它们基于强烈的假设,并且需要与图像形成有关的多种参数,这些参数并不总是可用的。为此,本文提出了一种基于残差网络的图像去雾方法,避免了大气光的估计,提高了去雾效率。具体而言,首先将网络模型设计为两大阶段:第一阶段,输入有雾图像,利用网络估计出有雾图像的中间传输图;第二阶段,将有雾图像与第一阶段的输出的值相比,作为网络的输入,利用残差网络隐式去雾。最后在常用数据集上进行实验,采用无参考指标和全参考指标定量评估实验结果,实验结果证明了本文提出的方法具有很高的竞争性能。