图像和视频去雾是计算机视觉领域一个非常重要的课题,其在视频监控,目标跟踪,海洋探索等方面都有广泛的应用。近几年,由于人们对图像和视频去雾的实际应用越来越广泛,越来越多研究者参与到图像和视频的研究中,并且提出了许多卓有成效的去雾算法。虽然去雾的性能有了明显的提高,但是在去雾图像中天空区域颜色失真、局部的过饱和,去雾视频相邻帧间的色调不一致以及水下视频去雾等问题仍有待解决。本文围绕图像和视频去雾问题主要做了以下两方面的工作:1)针对天空区域透射率估计不够精确和图像或者视频帧序列的大气光估计不准确等问题,提出了基于视觉聚类分割的图像和视频去雾算法。由于图像或者视频帧序列中天空区域的深度值远大于非天空区域,该算法用GMM模型对深度图进行了聚类且把天空区域分割出来,然后对天空区域的透射率进行优化得到更加精确的透射图,避免天空区域的颜色失真。另外,该算法基于颜色衰减先验方法用GMM模型对雾图像聚类分割成为K类,分别对每类大气光进行估计,然后根据类间的相关信息优化每类大气光的估计,提高全局对比度。最后,运用了在线聚类进行视频去雾,减少了计算复杂度。2)针对水下视频去雾、水下视频帧序列色调不一致以及水流或者其他移动带来的干扰等问题,提出了基于时域信息的水下视频去雾算法。首先,该算法基于相邻视频帧间的时域信息和导向滤波器的特征,用视频前一帧的透射率求得视频当前帧的透射率,并且用最小平方和的方法减少相机或物体的移动以及水流的影响来估计更加精确的透射率。最后,该算法基于前一帧背景光和当前帧背景光的相关性,优化当前帧的背景光,使恢复的视频相邻帧间保持色调一致性。对于以上的两种去雾算法,本文分别采用了主观评价和客观评价,并且与目前流行的几种去雾算法进行了比较。实验结果证明,本文提出的图像去雾和视频去雾算法不仅仅在主观上有很好的去雾效果,而且客观上也得到了很好的去雾性能。