随着科技的发展,计算机视觉系统设备得到了极大的发展,在人们的日常生活中发挥着日益重要的作用。如车辆导航、无人机拍摄、视频监控、智能交通等,其绝大部分信息源于图像及视频。大部分视觉设备在无外界干扰情况下都能捕获到清晰自然的图像。然而在雾、霾天气条件下,由于大气介质的散射、吸收作用会使得场景的反射光在传播时发生显著地衰减,导致户外图像采集设备接收的图像出现不同程度的降质,这在很大程度上影响和限制了视觉系统的正常发挥。因此,如何获取高清晰化的图像就显得愈发重要,研究雾天复杂光照条件下的图像处理算法,具有重要的现实应用价值和理论研究意义。本文在对经典的图像去雾算法原理和关键技术进行深入研究的基础上,以大气散射模型为物理模型,提出了改进的复杂光照下图像去雾算法。主要研究内容如下:第一,针对暗通道先验理论中图像的明亮区域去雾后存在色偏严重、色彩失真等问题,提出改进的暗通道先验图像去雾算法。首先,利用三通道明亮区域分割法获得更为精确的全局大气光强度值;其次,通过边界约束条件得到透射率图像,并运用高斯型同态滤波对图像进行平滑处理;最后,用色阶补偿原理结合小波变换对透射率图像与原图像进行融合,之后将融合后的图像与去雾后的图像进行多次融合补偿,得到最佳色阶图像,改善去雾后图像色彩失真及光晕现象。第二,针对卷积神经网络中透射率预估不准确,导致场景内去雾不佳的问题,提出改进的多尺度卷积神经网络的去雾方法。首先,通过双边滤波将雾天图像分解为高低频子图,分别使用不同大小卷积核,进行卷积操作后提取出高低频的雾天图像的特征;其次,对这些雾天特征进行融合,并结合最大值池化方式使得预估透射率中的高频信息更多留存,通过全连接层学习融合后特征及透射率之间的非线性映射关系。仿真实验结果表明,该方法与其他算法相比,从主观视觉感受到各项图像复原质量评价指标的数值上,改进后算法均优于其他算法。