雾霾天气会影响户外成像设备性能,降低户外成像设备获取图像的质量,进而影响理解图像内容算法的准确性,因此去雾算法成为图像增强领域一个重要的研究热点。虽然国内外雾天图像增强算法已经有了长足的进步,但是雾天退化图像增强仍然具有挑战性。目前图像去雾算法可以分为三大类:基于对比度增强的算法、基于先验知识的传统算法和基于神经网络的算法。早期基于对比度增强的算法能够解决简单雾天图像,但此类方法运算量大,效率低。传统基于先验知识的算法有严格的理论保证但本身需要复杂且准确的先验设计。基于深度神经网络的算法需要复杂的网络模型,极其依赖大量的训练数据,且泛化能力差。本论文根据雾天图像的低对比度、低清晰度和高噪声的特点,提出结合大气光模型与深度卷积网络的单幅图像去雾算法。该算法充分使用深度卷积网络优秀的学习能力,不需要复杂的先验设计和庞大的训练数据。本论文首先针对大气光模型中的关键变量透射率为优化目标建立优化模型,采用即插即用型的优化策略,建立融合深度卷积神经网络的求解方案,达到平滑透射率恢复雾天清晰图像的目的。其次,本论文针对受到噪声干扰的雾霾图像,以大气光模型中透射率和清晰图像的耦合关系为出发点,建立双变量联合的最优化模型。在模型优化过程中引入深度神经网络分别作为透射率平滑和图像去噪的引导模块,达到显著提升图像视觉质量的目的。本论文通过大量的实验证明该算法能够有效的增强雾霾图像。最后,将该算法应用到其他底层视觉任务(水下和低光图像增强),通过与现有的方法对比可以发现,该算法具有较强的泛化能力和鲁棒性。综上所述,本论文根据大气光模型的特点,通过构建充分利用深度卷积神经网络学习能力的单幅图像去雾算法,显著提升雾霾天气图像的质量。除此之外,该算法可应用于其他底层视觉任务中并获得较好的增强效果。