图像去雾是数字图像处理的重要内容之一,是图像增强的一种。传统的去雾方法只能去除图像中的雾霾,却忽略了图像中噪声的存在。在去除雾霾的同时,原来被雾霾覆盖的噪声却凸显了出来,使得噪声被增强。从而严重影响了图像的视觉效果。针对上述问题,本文提出了一种结合暗通道先验的单幅图像同时去雾去噪的变分方法。将变分模型的规则项与经典的暗通道先验方法相结合,提出了一系列新的变分模型,使得可以对雾霾图像同时去雾去噪,有效的解决了传统去雾方法无法去除图像中的噪声这一缺点。为了提高模型的计算效率,本文为每个模型设计了其相应的Split Bregman算法,并对模型进行了去雾去噪效果、边缘保持效果和运行时间的对比实验。主要工作有以下几个方面。(1)将局部变分模型的规则项与暗通道先验方法相结合,提出了三个新的局部变分模型,分别是LTV(Layered Total Variation)模型,MTV(Multichannel Total Variation)模型和CTV(Color Total Variation)模型,并对上述模型分别进行了去雾去噪效果,边缘保持效果和运行时间的数值对比实验。验证了上述模型不仅可以有效地同时去除雾霾图像中的雾和噪声,并且有良好的边缘保持效果。(2)进一步将非局部变分模型的规则项与暗通道先验方法相结合,提出了一个新的非局部变分模型,NL-CTV(Non-Local Color Total Variation)模型。并将其与上述局部变分模型进行了数值对比试验。实验结果表明非局部变分模型相比局部变分模型不仅有更好的去雾去噪效果,而且在边缘保持方面效果更佳。(3)将本文提出的变分模型方法与当下几种经典的去雾方法相比较。经过客观评价之后发现,本文方法恢复出的图像具有较好的去雾效果和去噪效果,并且有效的增强了图像的对比度。