计算机视觉技术已经被应用到我们日常生活中的各个领域中。然而由于视觉成像设备容易受到降质的恶劣天气(雾、霾、雨、雪等)的影响,使得捕获到的视觉图像产生一定的降质,主要表现在对比度的下降、颜色的偏移、色彩的失真等等方面,使得图像中的许多特征信息被覆盖或者模糊化,对图像的后续处理产生较大的影响。图像去雾是作为图像处理领域中较为关键的部分之一,它主要应用于户外视频监控、军事地形勘探、无人自动驾驶等领域。因此,研究雾霾图像的复原算法,降低雾霾对视觉采集设备的影响,对于工程应用和科学研究具有十分重要的现实意义。单幅雾霾图像的复原具有多种方法,主要分为基于非物理模型的图像增强算法和基于大气成像模型的图像复原算法。图像增强的方法不考虑退化原因,按照特定的需求来增强图像中的某些信息,同时削弱或去除不需要的图像信息。而图像复原的方法从物理成因的角度对大气散射作用进行建模分析,实现场景复原,还原度较高。传统的两种算法处理后的结果均会出现亮度偏暗、边缘细节信息模糊等等缺点,主观视觉效果不佳,影响后续图像的处理。因此难以满足工程实际应用的需求。本文正是针对上述问题,从成像过程出发,引入暗通道先验和大气光幕先验等先验知识,在借鉴Retinex变分框架的理论基础之上,构建了基于L-2范数下的优化方程,使得复原后的图像具有更好的视觉体验。由于L-2范数在去雾算法中存在对复原图像约束,容易使复原后的图像模糊不清,无法有效地识别相邻景物之间的边界信息,给进一步的工作带来了一定的困难,本文同时也提出了基于L-0范数下的单幅雾霾图像去雾算法。本文的主要研究内容如下:一、深入研究大气成像模型。整理近年来国际上基于物理模型的图像复原经典算法,分析并利用上述算法中所使用到几种典型的先验理论知识,构建出新的基于L-2范数的单幅雾霾图像复原目标函数。二、针对于He所提出的暗通道先验知识去雾中存在图像偏暗、浮点运算较多的问题,本文在借鉴Retinex变分框架的理论基础之上,引入了多种先验知识构建物理模型,结合L-2范数,提出了基于L-2范数下的去雾算法,并以此来构建目标函数的优化方程。最后,利用经典优化方法——最小二乘法,迭代求解出各个未知分量,并根据得到各个值来反解复原最终的清晰图像。仿真结果表明,所提出的基于L-2的单幅图像去雾算法能够取得较好的复原效果。三、针对于基于L-2范数约束的物体反射率求解容易使得复原后的景物边缘细节信息模糊,不利于物体的分离和边缘结构信息的提取等问题,本文根据物体边缘的稀疏先验知识,采用复原图像的L-0范数约束,用来取代物体复原图像的L-2范数约束,以此来保持复原图像的边缘结构信息,并给出相应的迭代阈值数值求解算法。仿真结果表明,所提出的去雾算法能够较好获取到复原图像。