夜间图像去雾技术已经成为图像处理技术领域的重要研究内容，在目标跟踪探测、视频监控、遥感等方面有着重要的意义。夜间有雾图像通常具有对比度低、光照不均匀、颜色偏移等特点，这些特点使得夜间图像去雾面临着极大的挑战。通过调研近年来夜间图像去雾算法的国内外研究现状，从物理模型、非物理模型和深度学习的角度对其中比较经典的算法进行了归纳总结，详细阐述了算法的流程以及优缺点。最后，对夜间去雾算法的未来研究方向进行了展望。

深对流云是卫星传感器可见光与近红外波段替代定标的地球稳定目标，其方向反射特性是影响场地定标精度的重要参数。为了提高定标的准确性，需要双向反射率（BRDF）模型进行各向异性因子校正。基于Himawari-8卫星成像仪，利用提取的2016—2020年期间深对流云数据，依据查找表方法实现BRDF特征建模。在同一角度下对比业务化Hu模型归一化后的各向异性因子，分析两种模型降低深对流云响应标准误差的校正效果，并将经本文模型校正的长时间序列深对流云反射率数据和定标系数方法计算的仪器衰减率进行比较。研究结果表明，在可见-近红外波段范围内BRDF特性差异较小，与Hu模型相比，该方法表现出较高的一致性，使用本文模型校正后的深对流云响应标准误差小于Hu模型，且计算衰减率数值基本一致。在短波红外通道，本文模型与Hu模型相比，各向异性特征差异较大，使用Hu模型校正后标准误差增大，而使用本文模型校正后，标准误差最高可减少31%，在深对流云与定标系数计算衰减结果方面存在差异，这可能与短波红外通道的波动太大相关。因此，基于Himawari-8卫星成像仪对深对流云的BRDF特征建模是可行的。

针对目前图像去雾方法中存在的输出图像色彩偏暗、场景信息丢失以及去雾不彻底等问题, 提出了一种基于注意力机制的端到端图像去雾方法。首先将通道注意力机制嵌入到Inception网络中, 并由融合后的网络进行浅层特征提取; 然后通过多尺度卷积和残差密集连接块学习深层图像信息, 同时以跳跃连接的方式实现深浅特征融合; 最后经过单一卷积层回归到像素比例系数矩阵, 依据改进后的大气散射模型生成无雾图像; 网络模型在均方差(MSE)的基础上设计了保真度损失函数作为约束。在RESIDE雾天数据集上的实验结果显示, 提出的方法的峰值信噪比(PSNR)、结构相似度(SSIM)、学习感知图像块相似度(LPIPS)和CIEDE2000分别达到32.545,0.970, 0.026和2.711, 表现出良好的效果, 输出图像去雾彻底, 色彩保真度高, 并有效避免了已有方法中的细节信息丢失问题。

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。

针对现有图像去雾算法中大气光值和透射率估计不准确导致图像去雾后失真的问题，提出了一种基于雾线暗通道先验改进的图像去雾算法。首先，根据HSV空间雾浓度与亮度和饱和度差值的关系计算图像的全局相对雾浓度，并结合暗通道图对应的高像素值来设置能够自动选择合适的大气光值的权重系数；其次，利用暗通道先验得到的粗略透射率值对每条雾线中最大半径透射率进行修正，然后引入容差参数对明亮像素的透射率进行优化，引入快速引导滤波对透射率图进行进一步优化；最后，根据大气散射模型获得最终的无雾图像。实验结果表明，所提去雾算法在主观视觉效果和客观数据上均优于其他算法。

讨论分析了现代大气光学研究及其在光电工程应用中几个方面的常见问题，给出了下列主要观点：（1）大气对光电工程应用的影响不容忽视；（2）光电工程设计需要考虑大气光学特性；（3）大气对光电工程的影响需要用概率来说明；（4）不能根据天气状况直接来判断大气对光电系统影响的程度；（5）作为统计平均量的大气光学参数不是唯一确定的；（6）用一个参数C_n²不能可靠地描述大气湍流的光学特性；（7）有必要进一步提高光电仪器大气探测结果的可靠性；（8）大气湍流对光电系统性能的影响难以完全被消除；（9）不需要投入很大精力去研究一些理想的问题。根据现状，提出了一些值得深入研究的大气光学问题。