针对传统去雾算法处理图像后存在颜色不均衡、能见度较低等问题, 提出一种基于雾线先验的双边滤波优化透射率算法。首先, 将像素在RGB空间中聚类成雾线并引入自适应模块对大气光值进行预估。将大气散射模型和上下文正则化原理相结合, 对图像透射率进行初步优化, 同时基于最小通道对透射率进行更正, 使得传输率图更加平滑, 防止相邻景深区域透射率差距过大; 再经过双边滤波对透射率进行二次优化, 使其变得更加精准。然后, 将大气光值和透射率输入到大气散射模型进行去雾处理得到无雾图像。最后, 将去雾后的图像进行色彩增强, 以提升图像的色彩真实性和亮度。实验结果表明, 所提方法在主观上提升了人眼的视觉效果, 在客观评价指标结构相似性(SSIM)、峰值信噪比(PSNR)、角点检测数、通用质量指数(UQI)、自然图像质量评估(NIQE)和处理时长上均有着显著的优越性。

针对传统图像增强Retinex去雾算法未考虑有雾图像景深信息，整幅图采用同一尺度复原而导致的局部颜色失真、图像细节丢失等问题，提出一种基于景深信息的自适应Retinex图像去雾算法。从场景雾的浓度与景深密切相关出发：首先利用BTS深度学习模型得到有雾图像的景深估计；然后以图像的平均梯度作为最优评价标准，对有雾图像分块处理并采取不同的高斯滤波尺度进行Retinex增强，统计出最优高斯滤波尺度与其对应的景深估计平均值；接着通过梯度下降法对统计数据进行拟合，得出景深估计与高斯滤波尺度的参数模型并将模型应用到单尺度Retinex去雾算法对有雾图像进行分块处理；最后通过计算均值和均方差，再加上一个控制图像动态的参数来实现无色偏的自适应对比度拉伸以及使用双线性插值映射使图像分块边缘过渡更加连续，从而得到增强的去雾图像。实验结果表明，经过所提算法去雾处理后的图像标准差、平均亮度、信息熵、平方梯度等评价指标均高于对比算法，实际效果对比度较高，图像细节保持完好，且抑制了过度增强。基于景深信息自适应Retinex图像去雾算法能够有效保留图像细节，颜色自然，符合人眼视觉特性，自适应程度高，明显优于传统Retinex去雾算法。

针对传统基于暗通道先验的去雾方法容易导致边缘区域和天空区域分别出现伪影和颜色失真的问题，提出了一种基于区域透射率融合的暗通道图像去雾方法。首先，将含雾图像分为非天空、天空及过渡边缘等3个区域。其次，在暗通道结合块透射率估计和点透射率估计分别对非天空区域和过渡边缘区域进行融合，并利用梯度域引导滤波进行平滑处理，得到融合后的暗通道透射率。然后，合成天空区域的亮度透射率和暗通道融合透射率，以获得最终的透射率。最后，利用得到的透射率和改进后的大气光值对图像进行复原，得到去雾结果图像。实验结果表明，与传统暗通道方法相比，所提方法明显更优，其在有效抑制边缘伪影的同时能够较好地保留含雾图像的颜色特征。所提方法得到的去雾图像在主观评价和客观评价方面均能取得更好的结果。

图像去雾工作目前还存在真实数据集过少、局部对比度失衡和去雾图像失真等问题。针对去雾图像失真这一问题，提出一种新型去雾网络模型（Densely Resnet with SKattention-Dehaze Net，DRS-Dehaze Net）。首先带雾图像经预处理模块转换为多角度特征输入图，然后设计密集残差架构并引入注意力机制完成特征信息的提取与再分配，最后将特征融合，输出无雾图像。实验结果表明，所提算法相比于其他对比算法有着较好的去雾效果，有效改善了去雾图像失真问题，且在一定程度上对图像的清晰度进行了提升。

针对雾天遥感图像目标检测困难的问题, 提出了一种基于Mask R-CNN的改进方法。在Mask R-CNN的基础上加入去雾算法, 使雾天情形下检测精度提升18.71%, 有效改善雾天场景下目标检测的效果。为进一步提高遥感图像中多尺度目标的检测精度, 采用基于最优的特征组合的循环神经网络代替特征金字塔结构, 减少了特征信息在传递过程中的流失; 重新设计区域建议网络生成候选框的尺寸, 并采用Soft-NMS筛选候选框, 减小候选框的回归误差。经过实验分析, 改进后算法的检测精度和召回率分别提升5.37%和6.37%。

针对图像去雾算法效果不佳、处理效率低的问题, 提出图像融合快速去雾算法。首先对原图降采样处理, 减小图像尺寸, 拷贝两份图像, 然后分别转换到HSV色彩空间。针对转换后的第一份图像, 降低v分量, 提高透射率准确度；针对转换后的第二份图像, 对v分量进行自适应处理、对s分量线性拉伸, 提高图像色彩饱和度；接着将处理后的图像转回到RGB色彩空间, 对转换后的第一份图像进行改进的暗通道算法去雾、直方图拉伸。最后对融合后的两份图像重采样。实验结果表明, 去雾后的图像主观上视觉效果好,客观上算法复杂度降低, 峰值信噪比、结构相似性、信息熵、标准差显著提高, 证明算法有效。

针对现有去雾算法无法根据有雾图像的不同区域特征进行差异化处理的问题，提出了一种基于注意力机制和马尔可夫判别器（PatchGAN）的图像去雾算法。注意力机制的加入使所提算法能够为不同区域的特征自适应分配权重；同时使用带有Inception机制的模块来预测全局相关的大气光值更加准确，也更为有效。将预测到的大气光值、透射率及有雾图像输入大气散射模型中即可得到去雾图像，最后将去雾图像输入PatchGAN中，由其判断真假。实验结果表明，所提算法在室内有雾图像和室外有雾图像上均取得了良好的去雾效果，并且提高了去雾图像的亮度和饱和度。