在雾、霾和沙尘暴等恶劣天气下捕获的图像,由于大气散射作用而严重退化,导致图像颜色出现失真、对比度降低和目标特征难以识别。恶劣天气不仅降低图像的视觉效果,而且对图像的后续处理带来困难,不利于光学图像设备的运作,例如卫星遥感系统、航空拍摄系统、户外监控系统和目标识别系统。因此,对降质图像增强,改善其视觉效果和图像质量具有重要意义。本文主要研究基于大气散射模型的雾霾和沙尘暴天气下的降质图像增强,主要工作如下:(1)研究了适用于RGB空间的暗原色先验,推导出HSI色彩空间的暗原色先验表示式。分析了基于暗原色先验去雾算法的性能,针对暗原色先验去雾算法存在色彩失真和运算效率低的问题,提出了基于HSI色彩空间的图像去雾算法。该算法在HSI空间估计得到大气光和粗略透射率;采用导向滤波器对粗略透射率进行细化、阈值法对明亮灰白区域的透射率进行修正;然后,基于大气散射模型复原图像,并对复原图像进行色彩调整后得到无雾图像。与多种去雾算法实验结果对比表明,本文提出的算法运算效率高和复原图像效果更好。(2)研究了大气颗粒对光学成像质量的影响,分析了沙尘暴图像色彩偏移的原因,提出了基于HSI空间的沙尘暴图像增强算法。该算法根据灰度世界假设,采用直方图规定化对沙尘暴图像进行色彩校正,得到一般的雾霾图像,然后采用基于HSI色彩空间图像去雾算法对色彩校正后的沙尘暴图像增强。实验结果表明,提出的算法能有效消除沙尘暴图像色彩偏移现象,提高了图像的清晰度和对比度。(3)提出了基于机器学习训练方法的图像去雾算法。本文用基于HSI色彩空间图像去雾算法构建雾霾图像—透射率图库,采用机器学习训练方法对图像库进行训练得到透射率图视觉单词,组成透射率视觉词典,然后用视觉词典对目标雾霾图像进行检测,得到其对应的透射率图,采用四分法估计大气光,结合大气散射模型复原得到清晰无雾图像。实验结果表明,机器学习训练方法可以用于图像去雾,且恢复图像效果很好。