现如今雾霾是经常出现的天气情况，在雾天条件下，由于大气粒子的散射作用，使得成像设备采集的户外场景图像严重降质，呈现出动态范围缩小、对比度低、颜色失真、清晰度不够等特点。导致信息的可辨识度大大降低，无法满足公路监控、军事侦察等多个领域的需求，给生产生活中各方面都造成了极大的影响，而图像去雾技术作为改善图像质量的关键，有着十分重要的研究意义和价值。因此，本文基于大气散射模型提出三种图像去雾算法。本文的主要工作包括如下三方面:
　　(1)研究了基于局部自适应模板的改进暗原色先验去雾算法。首先在传统暗通道先验算法中引入自适应模板，以当前像素点为中心的方形邻域内，中心像素点到方形边界上各点的连线为初始方向，通过Bresenham算法对各方向上的像素点进行提取，并用相似度函数确定臂长，进而得到更为准确的暗原色模板，计算透射率;针对透射率的细化问题，利用基于HSV的彩色图像梯度构建指数权值，对引导滤波中的规整化因子进行惩罚，有效地突出边缘处的纹理细节。实验结果验证了该算法在避免光晕效应及雾气残留方面的良好作用。
　　(2)研究了基于颜色衰减先验与雾霾度量的去雾算法。有雾图像中雾气浓度越高的像素点，亮度越高饱和度越低。由此对有雾图像的场景深度进行建模，用监督学习方法得到模型参数，恢复场景深度信息，得到有雾图像的透射率;然后根据图像的亮度和饱和度建立雾气浓度量化图。雾气浓度量化图与彩色图像梯度图作为SOM神经网络训练的两维特征，聚类得到雾气最浓的区域，作为大气光值的候选区域。实验结果表明，该算法可有效地恢复场景可见度、改善天空及大面积明亮区域的色彩失真。
　　(3)研究了基于图层分解理论的夜间图像去雾算法。首先在已有大气散射模型的直接衰减项和大气光项中添加一项辉光项;然后，利用基于相对光滑度的图层分解算法从输入图像中分离并去除辉光层，得到夜间有雾图像。对其采用白平衡方法进行色调偏移校正，得到最终待去雾图像。最终待去雾图像的局部区域内最亮的值为大气光值，结合局部自适应模板改进的暗原色先验算法估计透射率，实现去雾。实验结果表明，该算法针对夜间图像去雾具有有效性和鲁棒性。