图像特征的准确提取是直接影响计算机视觉系统性能的一个关键因素。然而,在多雾的天气条件下,由大气颗粒引起的光散射现象使得图像质量严重下降,模糊图像的许多特征都被掩盖了。因此,提高图像质量、增强去雾算法在恶劣天气条件下的鲁棒性,具有重要的科学意义和广泛的应用价值。本文主要研究了基于大气散射物理模型的图像去雾算法,分别从复原出更多细节结构信息、提高去雾算法效率这两个角度提出了改进,具体内容为:深入分析了暗通道先验去雾算法的理论基础,针对现有算法去雾图的细节和结构信息丢失较多的问题,提出一种结合暗通道和MRF理论的去雾算法,来有效去除雾霾的影响,提高图像可视度。该算法首先采用POSHE算法对原始雾图进行增强,以提高其对比度、扩大其直方图动态范围,并结合DCP算法获取透射率分布图;其次依据MRF模型对图像结构细节信息的约束特性,对透射率进行建模,构造MRF框架下的代价函数,以达到进一步细化透射率图的目的;然后根据天空域的显著特征,采用分层查询法计算大气光值;最后将透射率和大气光值代回雾天图像退化模型,反演得到去雾图。实验结果表明,该算法得到的去雾图像在结构、细节信息上保持得很好,色彩还原自然真实,整体视觉效果更好。针对现有算法去雾效率不高的问题,提出一种基于线性变换和双边滤波的图像去雾算法。通过研究雾天图像存在的几何信息,该算法先利用最小值滤波器对原始雾图进行滤波;其次分析原始雾图和复原图的最小通道图之间的关系,通过线性变换理论实现快速求取透射率图的目的;然后对高亮区域透射率进行相应修正,并采用双边滤波对其进行平滑处理,使得获取的透射率图细节效果更好;最后结合大气散射模型复原出清晰图像。实验结果证明,该算法能高效地去除雾气,同时还能较好地还原图像细节信息。