针对当前去雾算法中容易产生的图像伪影、图像颜色失真、图像细节模糊不清等问题，提出一种并行多尺度注意力映射图像去雾算法，通过端到端方式以编码器解码器结构实现图像去雾。在编码阶段，采用连续下采样层降低特征维度，避免过拟合。在特征转换阶段，采用并行分支结构设计并行多尺度注意力映射模块，使模型能够在关注图像重要特征的同时充分利用多尺度特征，并通过并行连接选择性特征融合模块有效收集图像空间结构信息。解码阶段，采用上采样层重构图像，并通过上下采样层融合更好地保留图像边缘信息。实验结果表明，该算法在合成雾天数据集以及真实雾天图像上均具有较好的去雾效果，相较于传统去雾算法，可更好地保留图像细节，具备较好的色彩保持度。

针对雾气环境下实际图像亮度/对比度不佳的情况，提出了整体灰度拉伸和局部对比度增强算法，改善了图像的亮度和对比度。采用基于暗原色先验的图像去雾算法来去除视频监控中常常遇到的雾霾影响。为了消除块效应，将图像分成最小的块，即对每个像素提取暗原色，并采用邻近相似性原则修正暗原色，MATLAB仿真表明，改进后的算法可以很好地去除图像中的雾气。最后，完成了基于达芬奇 DM6467的图像增强算法软件开发，实现了 4路视频的输出、切换和图像增强。增强后的图像，其 SSIM指标可提高 50%以上，该系统可以有效地去除雾气对图像的影响，满足图像去雾增强的需要。

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。

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。

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。