红外图像去雾是指通过去除雾霾、烟雾等介质对红外图像的影响，恢复红外成像系统对比度和视觉质量的过程。红外图像凭借全天时、不受光照限制等优势，在**、安防、医疗、能源勘探等领域广泛地应用。然而，由于大气介质对红外图像的干扰，这些应用往往受到限制，因此红外图像去雾成为一个重要的研究领域。近年来，随着计算机视觉、深度学习等技术的不断发展，红外图像去雾技术也取得了一系列重要进展，为红外图像应用的发展提供了强有力的支持。根据红外图像去雾过程中所依赖数据的不同，将现有的红外图像去雾方法划分为多信息融合和单帧图像处理两大类，其中多信息融合因为需要额外的信息来帮助图像恢复而使其应用受到限制；而目前基于单帧图像处理的主流方案包括图像增强和图像重建两个发展方向。对各种分类的代表算法进行了简要梳理，并分析了其原理、优势及不足。最后，对红外图像去雾的发展趋势做出了预测。该工作既可以帮助初学者快速了解该领域的研究现状和发展趋势，也可作为其他研究者的参考资料。

具有参数共享特性的卷积操作主要关注于图像局部特征的提取，而无法对超出感受野范围的特征进行建模，同时整幅图像共享同一个卷积核参数也忽略了不同区域的特性不同。为了克服现有方法的表达不足，提出了全局和局部特征融合去雾网络，分别利用Transformer和卷积操作提取图像全局和局部特征信息，并将两者融合后输出，充分发挥了Transformer建模长距离依赖关系和卷积操作局部感知特性的优势，实现了特征的高效表达。在最终输出复原图像前，设计了包含多尺度图像块的增强模块，利用Transformer进一步聚合全局特征信息，丰富复原图像细节。同时，提出了一个全局位置编码生成器，可自适应地根据全局图像内容信息生成位置编码，进而实现对像素点间依赖关系的二维空间位置建模。实验结果表明，所提出的去雾网络在合成和真实图像数据集上均展现出了较好的去雾性能，复原图像更加真实，细节还原度高。

针对雾霾天气下获取的图像细节丢失、颜色偏移、视觉质量退化等问题，提出一种基于对数-S型函数分段估计的大气光幕估计快速去雾算法。首先，在大气散射模型上深入推导，得到了大气光幕与有雾图像最小通道的正相关关系；然后，根据有雾图像不同区域具有不同的雾浓度，构造了分区域约束模型用以估计有雾图像的大气光幕；最后，提出基于中值滤波优化的中通道局部大气光估计方法，并结合大气散射模型恢复无雾图像。实验结果表明：所提算法复原图像的新增可见边、平均梯度，信息熵分别提升了17.4%、50.5%、30%，运行时间比传统快速去雾算法降低了17.5%。本文算法具有去雾彻底、颜色自然、细节明显的优点。

为提高偏振去雾算法对雾气场景的恢复能力，提出一种偏振度优化与大气光校正的偏振图像去雾算法。首先，依据雾气场景亮度分布，使用导向滤波将雾气图像分解为亮面残差和暗面残差；其次，扩大亮面残差对应的偏振度值，削减暗面残差对应的偏振度值以优化偏振度，该偏振度可将大气光图像模糊；最后，利用偏振度在亮面和暗面残差上的差异，对大气光强度进行校正，以使其随雾气的变化规律满足大气退化模型。实验结果表明：本文算法的去雾图像相较原雾气图像，对比度提高3.07倍、信息熵提高9.21%、标准差提高61.86%。且在不同浓度模拟雾气环境中，本文算法都有较为优异的SSIM、PSNR和CIEDE2000。相较于现有先进图像去雾算法，本文算法去雾效果明显，可以有效地复原雾气中场景的细节信息。

由于雾霾天气下空气中介质粒子的影响，成像设备所捕获的图像通常会存在对比度低、色彩丢失等问题。针对这些问题，本文提出一种基于雾气分布的大气光幕估计去雾算法。首先，将Fade方法提取的初始雾气分布图像进行阈值分割与细化处理得到较为准确的雾气分布信息。其次，通过分析景深、雾浓度、大气光幕之间的关系建立大气光幕估计模型。最后，通过亮度权重图与自适应大气光阈值选取大气光区域，获取较为准确的大气光，进而恢复退化场景。实验与结果表明，本文算法恢复的图像清晰自然，去雾效果彻底，并且能够保留图像中的细节信息。

遥感图像在成像过程中，容易受到云层和雾霾天气的影响，形成带雾图像；同时在下传时，会受到多种因素影响（如发送接收误码、电离层和对流层的随机变化对信号形成扰动等），使图像信息丢失或掺杂噪声。本文针对信息丢失的带雾单色遥感图像，提出了基于矩阵复原和暗通道理论的单色遥感图像去雾算法，通过基于交替方向乘子法（Alternating Direction Method of Multipliers，ADMM）的矩阵复原算法与传统暗通道理论相结合，有效实现了信息丢失下的遥感雾图复原。通过主观评价和客观评价相结合的方式，将本文算法与经典算法对比。结果表明，本文算法得到的结果在直观视觉上效果更好，且相对于信息丢失30%的雾图，6个场景的平均信息熵提升1.665 2，平均峰值信噪比提升11.702 9，平均结构相似性提升0.814 6，客观评价指标结果优异。进一步在不同比例信息丢失情况下进行实验，结果表明，即使在信息大量丢失的情况下，依然能够得到清晰的复原去雾图像。