随着工业化和城市化的发展,大气的污染问题越来越严重,雾霾天气也更为常见。由于空气中大气散射介质对光的吸收和散射,雾霾天气下采集的室外图像往往退化严重,变得模糊不可辨认。这将会直接影响图像的特征提取、对象识别和目标跟踪,从而限制计算机视觉系统和数字处理技术在农业生产、智能交通、户外监控、卫星遥感、航空侦察等民用和军事领域的应用。因此,设计一种快速有效的去雾算法来恢复图像的质量具有重要的现实意义。本文通过对图像去雾算法的国内外研究现状的分析,发现当场景中存在大面积的高亮区域时,现存的去雾方法不能很好地处理,导致恢复的图像偏暗、清晰度不高、颜色失真等。针对这个情况,本文在暗通道先验的基础上,提出了优化大气光的方法和优化透射率的方法。本文的主要工作如下:(1)针对高亮区域场景下大气光值估计不够准确的情况,本文提出了一种改进的估计大气光的方法。新方法利用边界信息的退化程度来判断雾的浓度,雾的浓度越大,边界信息的退化越严重,梯度越小。然后,利用膨胀算法覆盖掉图像中的梯度值较大的部分,从而提取出场景中的浓雾区域。在此范围内选取大气光值能有效地去除图像中高亮区域的影响。(2)针对高亮区域场景下透射率优化的问题,本文提出了一种新的模型(稀疏暗通道模型)来改进暗通道先验,满足暗通道的值不都为零的条件。新模型把雾天图像成像模型作为保真项,暗通道先验为稀疏项,转化为最小化问题。为了验证本文提出的这两种方法的有效性和优越性,本文采用主观评价和客观评判两个方面分别对本文提出的大气光估计方法和透射率优化模型进行评判,并与几种去雾算法进行了对比分析。实验结果表明,与现有技术相比,本文的方法在能见度、对比度、颜色和结构等各方面都有较好的恢复效果,恢复后的图像更加清晰自然。