随着近年来雾霾天气的增多,导致所采集的图像分辨率明显下降,尤其是夜晚这种低能见度环境下的成像,这对后期图像分类、识别、跟踪等高级处理带来了不利的影响,限制了这些高级应用的时间和空间范围,图像去雾算法经过几十年的发展,已经取得了长足的进步,但这些算法主要是针对白昼环境下的有雾图像,对夜晚环境下的有雾图像恢复存在很大的局限性,单幅夜晚图像去雾在计算机视觉领域面临着严峻的挑战。夜晚图像因为没有太阳光照而整体亮度较低,受人造光源的影响拍摄的图像颜色失真且偏向于灯光的颜色,因灯光照射范围有限所以图像光照不均匀。这些不同于白天雾图的特点使得现有的针对于白天环境提出的经典图像去雾算法并不适用于夜晚图像去雾。所以,对夜晚图像去雾展开研究是非常有意义的。本文首先阐明去雾问题的研究背景与意义,进一步说明国内外研究进展与研究现状,从雾引起图像降质的原理出发,介绍了去雾的一部分常用的理论基础与方法。本文从传统的图像增强方法和深度学习方法两个方面进行夜晚图像去雾研究。在传统的图像增强型去雾方法方面,根据夜晚图像亮度受灯光影响呈现局域性明亮的特点,提出改进的引导滤波算法,先采用K-means算法进行图像聚类划分图像明暗区域,再分别调整参数进行自适应的区域性引导滤波增强去雾。在深度学习算法中,重点依托深度学习强大的非线性拟合能力,将U-Net网络与复数小波变换相结合,并且在网络中融入了更多的残差块结构以提取夜晚低分辨率有雾图像的结构和纹理信息,并将注意力机制引入作为本网络的一个重要部分,可以有效量化特征层之间的相对重要性。本文提出一种面向夜晚有雾图像恢复的端到端的深度学习网络,恢复后的图像色彩更自然,此外虽然在合成有雾数据集上进行的模型训练,但所提方法对真实有雾图像也有一定的恢复效果,且所提方法在夜晚去雾任务中也不易引起频繁上下采样带来的网状伪影的问题。本文通过实验对提出两种算法进行验证与对比,证明了本文算法对夜晚图像去雾的有效性和优越性。最后,对本文的研究内容和提出的两种夜晚图像算法进行总结,对不足之处和未来的研究工作进行了展望。