随着环境的恶化,雾霾天气越来越常见。在雾霾天气下获取图像时,物体的反射光在传播到传感器的途中,部分光会被空气中的悬浮粒子吸收和散射,同时混入部分大气光的散射光,导致成像后的图像往往会出现对比度降低、饱和度下降和色调偏移等退化现象。这些退化现象会严重影响计算机视觉系统效用的发挥,因此,图像去雾已经成为了图像处理领域的一个重要研究方向。本文分别基于暗通道先验理论与深度学习的方法对单幅图像去雾算法展开研究,有效提高了算法的运行效率与效果。主要工作如下:(1)提出结合暗通道先验的单幅图像快速去雾算法。首先建立场景深度模型并使用该模型估计雾霾图像的透射率,再基于暗通道先验和透射率的局部一致性特性得到粗透射率。然后利用图像融合方法,将基于场景深度模型估计得到的透射率与粗透射率融合,修正粗透射率图像中天空区域的透射率。最后使用导向滤波细化的透射率复原图像,同时利用色调调整函数提高复原图像亮度。实验结果表明,该算法运行效率较高,并且有效提高了复原图像的清晰度、对比度。(2)提出结合卷积神经网络与动态环境光的图像去雾算法。首先构建包含配对的真实雾霾图像与透射率图像的图像库,然后对其进行随机块采样,得到配对的雾霾图像块与透射率图像块作为训练集,训练透射率估计网络,再使用训练好的网络估计雾霾图像的透射率。同时考虑到图像成像光照不均的问题,使用动态环境光替代全局大气光,最后使用平滑滤波后的透射率与动态环境光复原图像。实验结果表明,该算法不仅可以有效复原图像,而且显著提高了复原图像的亮度、饱和度。(3)提出基于循环生成对抗网络的端到端图像去雾算法。在构造训练集时,先构建包含配对的清晰图像与深度图像的图像库,再对其进行采样、亮度调整操作,得到配对的合成雾霾图像块与清晰图像块作为训练集,训练所设计的网络。最后,使用该网络中的去雾网络对雾霾图像进行端到端的图像去雾。此外,算法中设计了深度加权损失以减小图像块中的天空区域对网络训练造成的影响。实验结果表明,该算法具有较好的图像去雾效果,复原结果亮度高、清晰度高,且具有丰富的纹理细节信息。