户外视觉系统通常对天气因素比较敏感,尤其是雾霾和沙尘等。在雾霾和沙尘等恶劣天气下,空气中的浑浊媒质和悬浮水溶胶粒子极大地阻碍了目标场景到成像设备之间光线的正常传输,使得成像设备获取的图像或视频出现了一系列不良现象,例如对比度受损、图像细节丢失、场景颜色偏移和可见度下降等,导致户外视觉系统的工作效能严重降低。因此,随着智能化和视觉系统的发展与需求,对雾霾和沙尘天气下的退化场景实现可见度复原成为计算机视觉任务的重要研究内容之一。针对既有去雾方法的不足,本文分别从物理模型和深度学习框架两方面实现了一些优化与改进。雾化场景形成的根本原因是目标场景到成像设备之间的光线被吸收和散射,大气散射模型描述了这一过程。因此,大气散射模型被广泛用于雾霾场景复原任务中。本文在现有研究的基础上,以大气散射模型为依据,针对透射率和大气光估计不足等问题提出了五种基于模型的优化算法,本文基于模型优化去雾的具体工作如下。（1）针对暗通道先验一类算法透射率估计不准确问题,提出一种最小通道区间估计与透射率自适应约束的去雾算法。首先,采用不同尺寸最大滤波得到有雾图像的亮通道,并结合均值处理和频域滤波得到大气光估计;其次,以有雾图像最小通道为约束,分别以平面模型和自适应映射模型拟合无雾图像最小值通道上下边界,并获得透射率初始估计;最后,对透射率作滤波平滑与自适应边界约束,得到优化透射率,并根据大气散射模型得到去雾图像。实验表明,所提算法复原结果颜色自然、亮度适宜、去雾彻底、细节信息丰富且时间复杂度较低,有效地解决了透射率估计不足和偏色等问题。（2）针对雾霾天气下场景退化问题,提出一种基于高斯模型凸优化与光幕双约束的退化场景复原算法。首先,根据景深与场景亮度和饱和度之间的相关关系,利用高斯模型和凸优化估计景深;其次通过对大气光幕与场景关系作深入分析,结合最小通道平滑和景深衰减双约束获得退化场景大气光幕;另外,通过亮通道先验以及局部大气光的改进求解获得大气光值;最后基于复原模型对退化场景进行复原处理,并对沙尘场景进行颜色修正,进而实现场景复原。通过实验对比分析,所提算法在主、客观评价中均表现出了较大的优势。（3）针对去雾问题中的偏色及去雾不彻底等问题,提出一种基于雾度分布与自适应线性衰减的图像去雾算法。根据雾气特征,建立一种基于亮度,饱和度信息与纹理特征的雾气分布模型。从雾天图像退化本质出发,利用雾气浓度与透射率呈负相关的特性,提出一种自适应线性衰减模型以完成清晰图像最小通道的估计,进而得到透射率。根据大气光仅能反映亮度信息的特性,利用雾度分布对局部大气光进行改进,并结合大气散射模型得到去雾结果。实验表明,所提算法去雾彻底,在主、客观评价中均取得了满意的效果。（4）针对现有算法无法处理浓雾图像和算力复杂等问题,提出一种基于雾浓度先验的雾化场景快速复原方法。雾浓度先验是针对户外真实雾霾图像的一种统计,对于薄雾图像,最大值通道和最小值通道的差异较大,而浓雾场景的最大值通道和最小值通道的差异趋于0,因此通道差异在该文中被用来反映雾浓度。为了实现对不同雾浓度场景的自适应处理,利用雾浓度先验实现了大气光幕的快速估计。另外,为了克服局部大气光的估计易受雾化场景高亮像素的干扰,提出均值不等式为约束下的中通道大气光估计方法。实验表明,所提方法实现了薄雾和浓雾场景的自适应复原,尤其对浓雾图像,获得了去雾彻底、颜色自然、细节丰富的复原结果;且所提算法运行时间较短,实现了雾化场景的快速复原。（5）针对雾化和沙尘图像无法统一复原等问题,提出一种基于颜色修正和复合通道先验的尘霾图像可见度复原方法。首先,通过红蓝通道补偿和白平衡处理实现了沙尘场景的颜色修正;其次,通过统计观察,雾霾和清晰图像的最大与最小通道构成的复合通道具有非常相似的像素分布,其差异体现在亮度上,基于此,提出复合通道先验;为了消除各复合通道的亮度差异,以景深逼近雾浓度为原则,提出了一种自适应伽马修正方法;然后,通过复合通道先验完成透射率估计;为了克服高亮像素点对局部大气光估计的影响,以中通道大气光代替局部大气光;最后,利用大气散射模型完成清晰图像的获取。实验表明,复合通道先验具有较高的可行性和有效性,所提方法不仅在主观评价中表现优异,在客观评价中同样优于既有方法。基于模型的方法对透射率和大气光的准确估计具有较高要求,而深度学习方法可在不利用物理模型的条件下实现雾霾图像的端到端复原。因此,针对学习类去雾方法中多变量学习引入的误差累积和相关特征提取不充分等问题,本文设计了两种端到端复原结构,获得了效果良好的去雾结果,具体工作如下。（1）大多数图像去雾算法仅专注于去雾,而忽略了去雾图像的整体质量,进而导致诸如信息丢失和纹理模糊等问题。本文提出了一种去雾和增强卷积神经网络。通过编码和解码获得雾层图像和一阶段去雾图像,增强网络用于恢复去雾图像的纹理和细节。实验表明,该方法在主观评价和质量指标上均具有优异的效果,获得了去雾程度更加彻底、细节和纹理更加清晰的去雾图像,有效地解决了信息丢失和纹理模糊的问题。（2）基于卷积神经网络的图像去雾方法近些年取得了较大的进展,但仍然存在细节丢失、颜色失真、去雾不彻底等问题。针对以上问题,提出了一种基于阶梯网络与注意力交叉融合的端到端图像去雾算法。整体网络模型包含特征提取、特征融合、图像重建三个模块,其中特征提取包括有雾图像细节和轮廓特征的提取,由阶梯网络的不同阶梯层提取实现;特征融合模块以注意力机制的交叉融合实现,并结合自适应残差处理获得最终的融合特征;最后在图像重建模块,通过非线性映射的方式获得去雾图像。实验表明,所提方法去雾彻底,去雾图像细节清晰,有效地解决了颜色失真和细节丢失问题,且在客观评价中具有良好的表现。