为了充分挖掘雾天成像时的先验信息和物理参数间的约束关系，提高去雾算法的精度，本文提出了嵌入物理成像模型的分解合成循环细化网络以实现图像去雾。不同于已有的去雾算法，它包含透射率估计分支和清晰图像估计分支，且两分支均使用嵌入循环单元的多尺度金字塔编码解码网络框架来实现，具有能加强循环间信息交流、充分利用多尺度上下文特征的优点。考虑到透射率与场景深度和雾气浓度有关，可将透射率视为雾浓度先验，引导清晰图像估计分支循环细化去雾结果；而清晰图像中包含场景的深度信息，可将其视为深度先验，引导透射率估计分支预测及循环细化透射率。每次循环时，两分支估计的透射率和清晰图像进一步合成雾图，循环作为网络的输入，以确保透射率和清晰图像的估计结果满足物理成像模型的约束。实验结果表明算法在合成雾图及真实图像上均能取得较好的去雾效果，在视觉评价和客观评价方面均优于现有的去雾算法，单张雾图的处理时间仅为0.037 s，能有效用于图像去雾的工程实践中。

针对暗通道先验算法去雾后图像存在伪影和景深突变处留有残雾的问题,提出一种基于双重暗通道结合与高斯加权的去雾方法。分别利用超像素块滤波和中值方块滤波求取两层暗通道,对两层暗通道进行像素级结合并构造高斯加权函数进行加强,然后采用引导滤波优化透射率图。把雾图转化到HSV空间并提取包含天空等的白色区域,引入概率函数取白色区域前10%像素点的明度分量平均值作为大气光估计值。实验结果表明,所提算法能较好地保留图像细节并去除景深突变处的残雾,同时能改善伪影现象。

针对雾天环境下采集的图像对比度降低，饱和度下降以及色彩偏移问题，提出了一种基于全卷积神经网络的图像去雾算法。首先，提出的三个尺度的全卷积神经网络用来学习雾天图像与介质传输图之间的映射关系，逐步生成精细的介质传输图；其次，通过雾天图像引导滤波优化预测的介质传输图，使得图像边缘信息更加平滑；最后，根据暗原色先验理论估计大气光的值，通过大气散射模型恢复出无雾图像。该方法获得的无雾图像不但未造成图像中有用信息的损失，并且恢复的图像色彩自然。实验结果表明，该去雾算法在自然雾天图像和利用Middlebury Stereo Datasets合成的雾天图像上均优于其他对比算法，恢复的图像具有更好的对比度与清晰度。

为了解决自然灾害遥感影像中局部存在浓雾的问题,提出了一种基于暗原色先验和雾天图像退化模型的图像去雾方法,并利用导向滤波实现光学遥感影像的去雾.首先,结合自然灾害遥感图像的特点,利用阈值将图像分为浓雾区域和薄雾区域,采用不同的方法得出两个区域的暗通道图;然后,结合导向滤波对透射率图进行优化,再对图像进行对比度拉伸,提高图像的动态范围,并选取多幅遥感图像进行去雾试验.最后,设计了一组图像增强质量评价指标,对去雾结果进行定量分析.结果表明,该方法能从物理特性上明显去除雾的干扰,提高图像清晰度,增强图像色彩和细节,从而复原得到高质量图像,在一定程度上能满足自然灾害遥感图像去雾的要求.

基于暗原色先验规律的图像去雾算法在进行暗原色通道计算时,用固定区域会造成介质透射率估算的不合理,从而导致最终去雾效果细节不清晰和在较远景深场景模糊的现象。采用基于图论的分割算法来确定取暗原色通道的区域,能根据景深的变化自适应地改变区域大小,避免了固定区域求取暗原色的带来的介质透射率估计不合理问题。通过实验分析和验证,证实了该算法能有效地改善雾天图像的退化现象和提高图像清晰度。