图像去雾增强算法的研究-文献综述
基于图像复原及深度学习的去雾算法研究
基于图像复原及深度学习的去雾算法研究基于图像复原及深度学习的去雾算法研究概述：近年来，随着人们对高质量图像的需求增加，图像去雾算法受到了广泛的关注和研究。
图像去雾旨在从有雾图像中恢复出清晰的图像，以改善图像质量和增强图像的可视性。
本文将基于图像复原和深度学习的相关理论进行去雾算法研究，并探讨其在实际应用中的可行性和效果。
引言：当拍摄环境含有雾气时，拍摄的图像中往往会出现视觉模糊和对比度降低的现象。
这些恶劣环境下的图像对于计算机视觉任务来说是具有挑战性的，因此图像去雾算法的研究具有重要的实际应用价值。
图像去雾算法可以被广泛应用于无人驾驶、视频监控以及航空、航天等领域。
目前，传统的图像去雾算法主要基于复原和深度学习理论进行研究。
接下来，我们将从这两个方面进行详细阐述。
一、基于复原的去雾算法1.1 复原理论基于复原的图像去雾算法主要基于恢复原始场景的理论，通过模型还原有雾图像中的原始信息。
传统的复原算法通常根据雾图像和原始场景之间的物理模型进行处理，主要包括大气散射模型和雾气密度估计模型等。
1.2 雾图像复原方法根据复原理论，我们可以通过以下方法进行图像去雾：（1）暗通道先验法：该方法基于图像中暗区域的像素值通常较低的先验知识。
通过提取暗通道信息，可以估计雾的浓度并去除雾气。
（2）多尺度分析法：该方法将图像分解成不同尺度的图像金字塔，通过在不同尺度上恢复图像细节，最后合成恢复后的图像。
（3）颜色恢复法：该方法利用颜色信息进行雾去除。
通过对原始图像的颜色空间进行统计分析和优化，可以恢复出真实的颜色和对比度。
1.3 算法优势和不足基于复原的去雾算法具有一定的优势，如简单和易于实现。
然而，这些算法往往在图像复杂度较高或雾气密度不均匀的情况下表现出较差的去雾效果，且对于复杂场景的处理效果有限。
二、基于深度学习的去雾算法2.1 深度学习理论深度学习作为一种机器学习方法，具有强大的图像处理能力。
它通过构建深层神经网络模型，自动学习图像的特征表示，从而提高图像去雾的效果。
图像去雾方法在无人机图像采集中的应用研究
图像去雾方法在无人机图像采集中的应用研究随着无人机技术的快速发展，无人机图像采集已经成为现代遥感研究的重要途径。
然而，在无人机图像采集过程中，由于大气条件的限制，常常会导致图像雾霾现象的出现，影响图像的清晰度和质量。
为了提高无人机图像的可用性和准确性，图像去雾方法被广泛应用于无人机图像的后处理中。
在无人机图像处理过程中，图像去雾方法的主要目标是恢复原始图像中的细节信息，并补偿由大气雾霾引起的图像变化。
由于无人机图像采集的特殊性，采用传统的图像去雾方法可能无法取得理想的效果。
因此，针对无人机图像采集中的特点和需求，研究了一些专门的图像去雾方法，以提高图像的质量和可用性。
首先，针对无人机图像采集中的大气散射特点，研究了大气模型和散射模型。
大气模型对于无人机图像去雾方法的准确性和稳定性起着重要的作用。
通过建立适合无人机图像的大气光传输模型，可以更准确地估计大气光和散射物的分布，从而实现更精确的图像去雾处理。
其次，针对无人机图像采集中的低对比度问题，研究了对比度增强方法。
由于雾霾的存在，无人机图像的对比度通常较低，导致图像细节的丢失和清晰度的下降。
为了解决这个问题，可以通过对比度增强方法来改善图像的可见度和细节。
常见的对比度增强方法包括直方图均衡化、拉普拉斯算子等，这些方法可以有效地增强图像的对比度，并恢复图像的细节信息。
另外，针对无人机图像采集中的色彩失真问题，研究了色彩校正方法。
由于雾霾的存在，无人机图像的色彩通常会受到影响，导致色彩失真的问题。
为了恢复图像的真实色彩，可以通过色彩校正方法来修复图像的色彩偏差。
常见的色彩校正方法包括直方图匹配、颜色矩阵变换等，这些方法可以有效地校正图像的色彩分布，使图像更加真实和准确。
最后，针对无人机图像采集中的细节恢复问题，研究了细节增强方法。
由于雾霾的存在，无人机图像的细节往往受到模糊和干扰，导致细节信息的丢失。
为了恢复图像的细节信息，可以采用细节增强方法来增强图像的细节信息。
基于深度学习的雾天图像增强研究
基于深度学习的雾天图像增强研究近年来，随着人工智能技术的不断发展，深度学习逐渐成为了图像处理领域的研究热点之一。
随着人类社会的不断进步，天气状况的变化经常影响着人们的出行和生活。
在一些特殊的天气情况下，如雾天，会对人们的活动造成很大的影响。
因此，在这篇文章中，我将介绍基于深度学习的雾天图像增强研究，以期为改善雾天对人们日常生活的影响提供可行的解决方案。
一、深度学习技术在图像处理中的应用深度学习是一种模拟人脑神经网络的机器学习技术。
与其他机器学习技术相比，深度学习在图像处理方面具有独特的优势。
与传统的图像处理算法相比，深度学习技术可以更好地提取图像中的信息，从而实现更准确、更高效的图像处理。
在图像增强方面，深度学习技术常常被用于在降噪、去模糊、对比度增强和色彩校正等方面。
其中，降噪是深度学习图像增强中最常用的技术之一。
在雾天图像增强中，降噪也是一个非常重要的步骤。
二、雾天图像增强的研究现状在一些特殊的天气条件下，如雾天、雨天等，普通的照片可能会出现一些质量问题，例如模糊、色彩失真等等。
当然，这些问题对于普通民众的日常拍照并不会造成很大的影响。
但对于一些特殊需求的场景，如交通监控、无人驾驶、目标检测等领域，雾天图像增强技术的应用就是一个关键的问题。
雾天图像增强的方法有很多种，常见的有单幅图像去雾技术、多幅图像去雾技术以及基于深度学习的图像增强技术等等。
随着深度学习技术的不断完善和提高，越来越多的学者开始探索基于深度学习的图像增强技术。
这些技术已经取得了一些较为显著的成果。
三、基于深度学习的雾天图像增强研究目前，基于深度学习的雾天图像增强技术已经成为了雾天图像处理研究的热点之一。
这些技术主要可以分为三类：基于生成对抗网络的去雾、基于循环神经网络的去雾、以及不依赖端到端的图像增强技术。
生成对抗网络是一类深度学习模型，可以从噪声数据中生成更加真实的图像。
在图像增强方面，生成对抗网络的应用主要是使用对抗网络来建立一种映射关系，将模糊或雾状的图像映射为清晰的图像。
基于透射率优化的图像去雾算法研究
基于透射率优化的图像去雾算法研究基于透射率优化的图像去雾算法研究摘要：图像去雾技术是近年来计算机视觉领域的研究热点之一。
在真实世界中，由于大气悬浮物质的存在，图像中出现雾霾现象。
这不仅影响了图像的视觉质量，还给图像处理任务带来了很多挑战。
本文基于透射率优化的算法，对图像去雾技术进行了研究。
一、引言图像去雾技术是一种计算机视觉技术，通过对图像中的雾霾进行分析和处理，使得图像恢复到真实世界的视觉效果。
近年来，随着无人机、自动驾驶等应用的兴起，图像去雾技术得到了广泛的应用。
二、相关工作综述图像去雾算法主要分为传统方法和深度学习方法两种。
传统方法主要从物理模型出发，通过估计透射率来消除图像中的雾霾。
深度学习方法则通过训练神经网络，利用大量的数据来学习图像去雾的映射关系。
三、透射率优化的图像去雾算法透射率在图像去雾算法中起到了关键作用，它表示了光线在大气中传播的程度。
透射率较高的区域表示雾霾较轻，透射率较低的区域表示雾霾较重。
传统方法中，透射率的估计通常通过计算图像的亮度来获得。
然而，这种方法容易受到光照变化的干扰，估计结果不准确。
因此，本文提出一种基于透射率优化的图像去雾算法。
1. 透射率初始化首先，对输入的雾霾图像进行预处理，将其转换为灰度图像。
然后，根据图像的灰度值计算透射率的初始估计。
这里采用的是Dark Channel Prior方法，通过计算图像的暗通道来估计雾霾图像的透射率。
2. 透射率优化基于初始估计的透射率，结合图像的亮度约束和边缘保持约束，对透射率进行优化。
亮度约束可以使得透射率估计更准确，边缘保持约束可以保持图像的细节。
3. 去雾恢复通过优化后的透射率，对输入的雾霾图像进行去雾恢复。
具体方法是使用大气散射模型，将雾霾图像中的透射率作用于原始图像，从而得到去雾图像。
四、实验结果与分析本文在多个输入图像上进行了实验，并与其他图像去雾算法进行了比较。
实验结果表明，基于透射率优化的图像去雾算法在提高图像清晰度和去雾效果方面取得了较好的效果。
基于深度学习的图像去雾技术研究
基于深度学习的图像去雾技术研究第一章：绪论随着计算机视觉技术的不断发展，图像处理技术也得到了长足的发展。
其中，图像去雾技术是图像处理领域中一项重要的技术之一。
图像去雾技术指的是通过对被大气雾霾改变的图像进行处理，使其在视觉上更加清晰明了的过程。
而基于深度学习的图像去雾技术则是近年来取得了突破性进展的一项技术。
本文将对基于深度学习的图像去雾技术进行研究分析。
第二章：基于深度学习的图像去雾技术研究现状目前，基于深度学习的图像去雾技术已经广泛应用于自动驾驶、航拍、智能视频监控等领域。
其主要技术路线主要分为两类，一类是基于全卷积神经网络的端到端训练方法，另一类则是基于多阶段细节调整的方法。
其中，深度学习算法主要包括卷积神经网络（CNN）、循环神经网络（RNN）、对抗神经网络（GAN）等。
已经有许多学者对基于深度学习的图像去雾技术进行了研究分析，并取得了显著的研究进展和成果。
第三章：基于深度学习的图像去雾技术研究方法分析对于基于深度学习的图像去雾技术，其研究方法主要基于以下两方面的思路：数据驱动方法和物理模型驱动方法。
其中，数据驱动方法主要是通过大量带有雾霾图像和清晰图像的数据集，利用深度学习算法进行训练，从而生成更高质量的去雾图像。
物理模型驱动方法则是针对不同环境下的雾霾现象，建立相应的物理模型，并应用深度学习算法进行计算求解，生成更加真实的去雾结果。
第四章：基于深度学习的图像去雾技术研究应用案例分析目前，基于深度学习的图像去雾技术已经广泛应用于多个领域。
例如，基于深度学习算法的图像去雾技术可应用于自动驾驶领域，实现更加清晰的行车视角；在航拍领域，通过基于深度学习的图像去雾技术，可以实现更加真实的航拍效果；在智能视频监控领域，应用基于深度学习的图像去雾技术可以提升监控图像清晰度，提高监控效果。
第五章：基于深度学习的图像去雾技术研究存在的问题与展望尽管基于深度学习的图像去雾技术已经取得了较大的进展和成果，但是在实际应用中仍然存在一些问题，例如，算法效率不高、处理时间长等。
基于直方图均衡化和Retinex的图像去雾算法研究
基于直方图均衡化和Retinex的图像去雾算法研究基于直方图均衡化和Retinex的图像去雾算法研究1. 引言随着科技的不断发展，数字图像处理技术在各个领域起着越来越重要的作用。
而图像去雾算法作为图像增强的一项关键技术，在汽车驾驶辅助系统、无人机航拍、视频监控等方面具有广泛的应用前景。
图像去雾旨在通过恢复传输失真引起的雾霭效应，提高图像的能见度和清晰度，进而更好地进行图像的分析和识别。
2. 雾霭成因雾霭效应的出现主要是由于光在大气中的传播造成的。
当光通过大气时，会与大气中的微粒和颗粒物相互作用，导致光能量的散射和吸收，进而形成雾霭效应。
这种散射和吸收使得图像的细节变得模糊，明暗对比度降低，色彩变得失真。
因此，图像去雾算法的研究就是要通过恢复图像的细节、明暗和颜色信息，减少雾霭效应对图像的干扰。
3. 直方图均衡化直方图均衡化是一种经典的图像增强算法，它通过调整图像的像素值分布，使得原始图像的直方图更均匀，从而提高图像的对比度和清晰度。
直方图均衡化的基本原理是通过计算原始图像的累计分布函数来映射原始像素值到新的像素值，从而实现直方图的均衡化。
在图像去雾中，直方图均衡化可以有效提高图像的对比度，增强图像的细节特征，减少雾霭效应。
4. Retinex算法Retinex算法是一种模拟人眼视觉感知机制的图像增强算法，它主要通过分离光照和反射分量来对图像进行增强。
Retinex算法的基本思想是假设原始图像由光照分量和反射分量组成，通过估计光照分量，将它从原始图像中剔除，得到反射分量。
然后对反射分量进行增强处理，再与估计的光照分量相乘，得到增强后的图像。
Retinex算法具有很好的图像增强效果，对雾霭图像的增强也有着良好的效果。
5. 基于直方图均衡化和Retinex的图像去雾算法基于直方图均衡化和Retinex的图像去雾算法主要分为三个步骤：雾霭图像的预处理、光照估计和图像恢复。
(1) 雾霭图像的预处理：首先，对雾霭图像进行预处理，包括图像的去噪和对比度增强。
图像去雾技术研究进展
图像去雾技术研究进展图像去雾技术研究进展摘要：随着信息技术的发展，数字图像已成为人们日常生活中广泛应用的一种媒介。
然而，在实际应用中，图像常常会受到雾霾天气等自然因素的影响，导致图像质量下降，给图像的观看和分析带来困难。
因此，图像去雾技术成为了热门的研究领域。
本文将综述图像去雾技术的研究进展，并针对各种去雾方法进行分析和对比，以期提供给研究者更全面的了解和思路。
一、引言随着现代数字图像处理技术的飞速发展，图像在我们的生活中起着越来越重要的作用。
但是，在实际应用中，图像质量往往会受到雾霾、大气污染等因素的影响，导致图像细节减少、对比度降低、颜色偏移等问题。
因此，提高图像质量，使之更符合人眼感知的视觉效果，成为了研究者关注的重要问题。
二、图像去雾方法的发展早期的图像去雾方法主要基于物理模型，通过对图像的物理模型进行描述和建模，通过数学方法解决去雾问题。
例如，利用大气散射模型和反向过程，估计和消除图像中受雾的影响。
然而，由于复杂的物理模型以及对环境的先验知识要求较高，这些方法在实际应用中存在较大的局限性。
近年来，基于机器学习的图像去雾方法逐渐崭露头角。
这些方法通过深度学习模型，对大量的样本进行学习和训练，提取高层次的特征，并建立高效的图像去雾模型。
这些方法具有很强的普适性和适应性，并且能够有效地去除图像中的雾霾，提高图像质量。
当前，主流的机器学习图像去雾方法主要有：卷积神经网络(CNN)、生成对抗网络(GAN)、自编码器(Autoencoder)等。
这些方法在处理复杂图像去雾任务中取得了很好的效果，并取得了很大的关注。
三、图像去雾技术的挑战尽管机器学习方法在图像去雾领域取得了很大的进展，但仍然面临许多挑战。
首先，大气散射的物理模型非常复杂，且环境因素的影响不确定，导致图像去雾问题难以准确建模。
其次，实际应用中，图像往往会受到多种因素的影响，例如光照条件、天气变化等，这些因素会对图像去雾的效果产生较大的影响。
基于卷积神经网络的图像去雾算法研究
基于卷积神经网络的图像去雾算法研究近年来，随着计算机视觉技术的快速发展，图像处理成为了一个热门的研究领域。
其中之一的问题是图像去雾，即去除由于大气散射引起的图像模糊和降低对比度的问题。
为了解决这个问题，研究人员提出了许多算法。
本文将重点研究基于卷积神经网络的图像去雾算法。
卷积神经网络（CNN）是一种广泛应用于图像处理领域的深度学习算法。
它通过多层的卷积和池化操作，有效地提取图像的特征。
在图像去雾任务中，CNN可以学习到大气散射的特征，并且通过去除这些特征来还原清晰的图像。
首先，我们需要收集一组带有雾霾的图像以及对应的清晰图像作为训练数据集。
这些图像可以通过真实场景的拍摄或者从互联网上的图像库中获取。
接下来，我们需要对这些图像进行预处理，包括调整大小、裁剪、增加噪声等操作，以增加模型的鲁棒性。
然后，我们可以设计一个基于CNN的图像去雾模型。
这个模型可以由多个卷积层、池化层和全连接层组成。
卷积层用于提取图像的空间特征，池化层用于减小特征图的尺寸，全连接层用于将特征转化为输出结果。
此外，我们可以使用一些激活函数（例如ReLU）来增加模型的非线性能力。
在训练过程中，我们需要使用带有雾霾的图像作为输入，清晰的图像作为目标输出。
通过比较模型输出和目标输出的差异，我们可以计算出损失函数，并使用反向传播算法来更新模型参数。
为了提高模型的泛化能力，可以使用数据增强技术，如旋转、缩放和翻转等。
此外，还可以使用一些正则化技术，如Dropout和L2正则化，来防止过拟合。
当模型训练完成后，我们可以使用它来对新的图像进行去雾处理。
具体来说，我们将待处理的图像输入到模型中，并获得相应的输出。
这个输出将是去除雾霾后的图像。
通过对比输入和输出图像，我们可以评估模型的去雾效果。
为了进一步提高去雾效果，我们可以考虑引入一些先验知识。
例如，我们可以利用大气散射的物理模型来指导图像去雾过程。
这可以通过将物理约束添加到模型的损失函数中来实现。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
福州大学专业英语文献综述题目：图像去雾增强算法的研究姓名：学号：专业：一、引言由于近年来空气污染加重，我国雾霾天气越来越频繁地出现，例如：2012底到2013年初，几次连续七日以上的雾霾天气笼罩了大半个中国，给海陆空交通，人民生活及生命安全造成了巨大的影响。
因此,除降低空气污染之外，提高雾霾图像、视频的清晰度是亟待解决的重要问题。
图像去雾实质上就是图像增强的一种现实的应用。
一般情况下,在各类图像系统的传送和转换(如显示、复制、成像、扫描以及传输等）总会在某种程度上造成图像质量的下降。
例如摄像时,由于雾天的原因使图像模糊；再如传输过程中,噪声污染图像，使人观察起来不满意;或者是计算机从中提取的信息减少造成错误，因此，必须对降质图像进行改善处理，主要目的是使图像更适合于人的视觉特性或计算机识别系统。
从图像质量评价观点来看，图像增强技术主要目的是提高图像可辨识度。
通过设法有选择地突出便于人或机器分析的某些感兴趣的信息,抑制一些无用信息，以提高图像的使用价值，即图像增强处理只是增强了对某些信息的辨别能力［1］.二、背景及意义近几年空气质量退化严重,雾霾等恶劣天气出现频繁，PM2。
5[2］值越来越引起人们的广泛关注。
在有雾天气下拍摄的图像，由于大气中混浊的媒介对光的吸收和散射影响严重,使“透过光"强度衰减，从而使得光学传感器接收到的光强发生了改变，直接导致图像对比度降低，动态范围缩小，模糊不清,清晰度不够，图像细节信息不明显，许多特征被覆盖或模糊，信息的可辨识度大大降低。
同时，色彩保真度下降，出现严重的颜色偏移和失真，达不到满意的视觉效果［3—6]。
上述视觉效果不佳的图像部分信息缺失，给判定目标带来了一定的困难,直接限制和影响了室外目标识别和跟踪、智能导航、公路视觉监视、卫星遥感监测、军事航空侦察等系统效用的发挥，给生产与生活等各方面都造成了极大的影响[7—9].以公路监控为例,由于大雾弥漫，道路的能见度大大降低，司机通过视觉获得的路况信息往往不准确，进一步影响对环境的判读，很容易发生交通事故，此时高速封闭或者公路限行,给人们的出行带来了极大的不便［10］。
而且，雾天获得的退化图像给监控交通情况也造成了很大的困难。
又比如在军事侦察和遥感导航方面，雾天退化图像对信息的识别和处理会造成偏差，无法正确判别目标，从而带来严重的后果[11-12]。
某些情况下，受到条件限制,侦察和监视工作不可能重复进行，所以依据有限的图像资料获得更准确的目标信息是极其重要的.尤其是给机载可见光成像系统带来的影响更大，严重干扰了其工作的稳定性和可靠性，大大限制了其在地质灾害监测方面的应用，而地质灾害发生前后多伴有大雾等恶劣天气，对现场搜索救援工作产生严重的影响。
由此可见,为增强航拍数据的有效性和可用性，降低气象条件对航空成像测量的限制[13］,对雾天图像进行有效的去雾处理有着现实和理论的迫切需要，是户外成像系统能在恶劣天气下稳定、可靠工作的保证.三、课题国内外现状在图像增强领域,人们提出了很多种算法。
最为通常的方法是直方图均衡化（Histogram Equalization）[14］，通过直方图均衡化来实现自动的对比度增强，直方图上灰度分布较密的部分被拉伸，灰度分布稀疏的部分被压缩，从而使一幅图像的对比度在总体上得到增强.但是在原图像直方图中有一个很大分量情况下,增强的图像会出现“褪色”和“散斑”效应，使得增强的图像在视觉效果上较差。
为了解决这个问题，人们提出了局部直方图均衡化（Local Histogram Equalization)[15］,将直方图均衡化运算压缩到图像的局部区域,然后遍历所有的局部区域,这种方法要遍历图像的所有像素，所以它的时间复杂度很高，不利于实时处理。
如果用不重叠的直方图均衡化（Partially Overlapped Sub—block Histogram Equalization,or POSHE）[16］，把每次局部直方图均衡计算的有效像素点数从一个扩展到多个，从而减少了局部运算的次数，降低了算法的计算代价。
为了消除块效应，需要对图像进行相应的插值运算，这在很大程度上影响了算法的效率。
Lee提出的图像增强算法［17]的优点是处理后的图像比较清晰，对比度高，并且基本上保持图像原来的灰度范围，缺点是实验参数较多，而且实验结果强烈地依赖于参数的选取，因此带有较强的实验性和难操作性，Deng等人[18］提出了一种基于LIP模型的Lee图像增强的新方法，并且在其中使用了非线性变换，提高了图像增强的能力，也减弱了对参数的过分依赖性。
M。
Nilsson提出了SMQT（Successive Mean Quantization Transform）方法[19］，它可以根据像素的分布适当地拉伸和压缩直方图，达到很好的调节图像动态范围的效果，同时保持了原直方图的形状，对于这种方法,在变换程度上主要取决于构建二叉树的层数，构建的层数越高，其时间复杂度也就越高.恶劣天气条件下的退化图像往往对比度大幅度下降，模糊不清,如雾天图像。
由于雾对图像的影响随图像的深度变化而变化，所以去雾算法具有很强的挑战性.研究者提出了很多基于多幅图像和附加信息的去雾算法。
基于颜色恒常理论的彩色图像增强算法研究方面,在1977年Edwin Land首次提出了一种被称为Retinex的色彩理论，Retinex这个词本来就是有视网膜Retina和大脑皮层Cortex两个词组合构成的。
Retinex理论主要包含了两个方面的内容：物体的颜色是由物体对长波、中波和短波光线的反射能力决定的，而不是由反射光强度的绝对值决定的;物体的色彩不受光照非均性的影响，具有一致性。
20世纪80年代初期美国宇航局下属的一个研究机构（NASA’s Langley Research Center）将Retinex理论用于处理航空器拍摄的外太空图片且获得了非常好的处理效果。
近年来Retinex的应用范围越来越广泛，人们对它的研究也逐渐深入。
比如,Z.Rahman，D.J.Jobson,G.A。
Woodell将这种理论运用到彩色图像增强领域,取得了非常好的效果［20]Y.Y.Schechnner等人提出的极化滤波(Polarization Filtering）[21-22]方法,利用两幅或者多幅不同程度的偏极化图像来进行去雾处理。
Narasimhan等人[23-24]提出的基于大气模型的去雾算法需要利用同一场景下多幅不同的天气条件的图像。
他们的另一个思路是利用交互的方法得到场景的深度信息[25].这些方法在处理效果上确实能够对图像的质量进行改善,但是对于我们应用来说，这些方法过多的依赖先验信息或者多幅图像信息，在我们应用中很难得到满足,并且不利于图像的实时处理。
近来,基于单幅图像的去雾算法获得了很大的进步。
这类方法的成功的相似之处在于它们在分析雾的成因后在算法中作出了一些强制性的假设.Tan[26]等人通过观察，提出了没有雾的图像一定比有雾的图像具有更强的对比度，并且通过最大化局部对比度来复原图像。
这种方法能够明显的增强对比度，但是使图像变得不自然.Fattal［27］等人假定介质的传导率和表面的光照变化的不相关性，通过估计场景的反射率推断介质的传导率。
该方法在物理上较为合理并且具有很好的复原效果，但是这种方法不能很好的适应图像中雾较浓的情形。
Kaiming He等人提出了一种优先暗通道的单幅图像去雾算法。
优先暗通道是一种雾图的数据统计。
这种方法基于一种重要的观察，大多数雾图的局部块中在某个色彩通道具有较小的强度.使用这种假设和雾图模型结合，能够直接估计雾的浓度和恢复雾图的图像质量.在国内，对雾天图像恢复技术的研究主要集中在研究所和高校里面。
如华中科技大学的图像识别与人工智能研究所在这方面做出了很大贡献，桑梓勤等早在1999年就发表了关于大气效应对成像影响的论文，在国内属于开创性工作。
随后,他们［28] 又从图形学角度开展研究，通过输运理论与解析理论的结合，得出了能见距离与图像对比度及分辨率的理论关系,从而合成雨雾天气下的图像。
解放军理工大学的刘锦锋等人对Narasimhan给出的输运方程的数值解进行简化,减少了图像复原算法的计算量.在CVPR2009出现了一篇Best Paper［29］之后，雾天图像恢复有了新的突破，安徽大学的王多超［30］在图像退化模型上加了一个噪声项，利用图像的稀疏先验知识，在贝叶斯框架下提出了一种新的图像去雾算法；利用图像的梯度稀疏性先验来对去雾后的图像进行优化，并将具有零均值的高斯分布作为图像成像的噪声分布，然后求解。
天津大学的张加万［31］等，假设大尺度的色度变化是由于光线的传输引起的，而小尺度的亮度变化是由于场景的辐照度的变化，在这个假设下提出迭代求取传输图的方法；并利用一个非线性边缘保留滤波器逐步精细传输图，同时仍然保持传输图的锐化。
四、当前研究存在的不足尽管国内外科学家在围绕雾霾条件下图像增强方面做了大量的研究工作，也取得了很多的研究成果。
但是相关领域的研究仍处在起步阶段，还存在很多的没有解决的问题，当今研究中的基于图像增强的去雾图像处理还有待进一步的研究和完善。
此处,将相关的主要问题简要归纳如下。
（l）能够用来评价图像增强效果的客观的指标体系不完善。
评价图像增强效果的方法可分为两类，即主观的评价方法和客观的评价方法［32]。
主观评价方法就是目测法，这种方法主观性比较强,对某些视觉效果明显的图像进行评价，具有直观、快捷、方便的特点。
而用低能见度,即雾霾比较严重的情况下，主观评价略显不足。
（2）单纯的图像处理算法其信息来源不足，视觉改善效果有限.现有的用于雾天视觉改善的算法大多来源于图像处理中的纹理增强算法。
如采用全局的和局部的直方图方法，也有采用在空区域分离的方法实现局部有针对性的增强。
所有这些算法都会有一定的增强效果，但图像本身提供的信息有限，相应其视觉改善的效果亦有限.（3) 随着摄像技术的发展，人们对图像清晰度的要求越来越高，图像尺寸越来越大,这就对图像增强技术的速度提出了要求.Retinex算法和暗原色先验算法使复杂度较高的算法［33］,如何又好又快地实现是一个重要问题。
(4）在交通领域，相关的研究中在建立偏微分方程模型时没有充分考虑和使用交通环境中一些特有的特征量.在交通场景中通常有周边车辆、行人、交通标志、道路线型及其它障碍物等，在建立模型时，应充分考虑和利用这些特征进行有针对性的、较深层次的融合增强。
（5）通常在雾天等低能见度条件下，不论采用现有的哪一种可见光设备，获取的图像信号都非常有限。
若采用常规的滤波、光滑、增强处理方法，很难达到理想的效果。
(6) Retinex图像增强方法,但仍然存在以下问题：第一，算法为多尺度加权求和且需对红绿蓝三分量分开处理，所以算法复杂度较高；第二，多尺度滤波的使用导致在亮度变换较大的边缘区域可能出现比较严重的光晕现象[34]。