在雾霾场景下采集的图像模糊、对比度低,质量差的图像无法满足目前社会的需求,若不进行优化处理将对图像的应用和处理会产生一定的负面影响,如人脸识别技术无法根据图像准确识别、卫星图像无法获取准确信息等等。针对这一问题,本文运用转化思想,把去雾问题转化为降低图像的雾霾浓度到最小值的问题。本文的主要工作如下:为了估计出雾霾图像的雾霾浓度,本文利用互信息系数(MIC)、皮尔逊相关系数(PCC)等理论知识分析图像的十三个特征及其相关度。在这十三个特征中选择最具有代表性的三个特征:色彩度、饱和度、韦伯对比度,进行分析研究。基于以上三个特征,搭建本文的雾霾深度估计模型FDEM(Fog Density Evaluator Model)。FDEM模型不依赖先验假设的理论,只需以无雾图像为参考,即可估计一幅有雾霾的图像的雾霾浓度。FDEM模型在实验中表现出良好的稳定性和准确性。因此,FDEM模型能较准确估计出雾霾图像的雾霾浓度。为了实现去雾,本文利用FDEM模型提出一种去雾算法。利用FDEM模型可得知图像的雾霾浓度大小,在有雾图像中把去雾问题转变为雾霾浓度最小化问题。根据这个方向,本文搭建最优透射率模型(OTSFDE)和简易最优透射率模型(SOTSFDE)来联结雾霾浓度和大气透射率之间的客观关系。利用这两个模型对图像雾霾浓度进行最小化。本算法在实验中表现出良好性能,能在一定程度淡化雾霾浓度,图像的细节也能得到一定程度的保留。因此,OTSFDE和SOTSFDE能较好地实现去雾。为了能对夜间成像的雾霾图像实现去雾,本文研究了在夜间成像的有雾图像的去雾问题。讨论了昼、夜有雾图像的差异,并对比了这两种图像复原模型的不同之处。把夜间有雾图像进行层次分离,由此得到辉光效应图像和雾霾图像。运用本文的雾霾浓度最小化方法,对雾霾图像进行去雾处理。夜间雾霾图像去雾在实验中表现出良好的效果,图像结构清晰、图像细节得以保留。因此,本文的去雾算法对夜间图像也适用。