雾霾的存在是影响室外图像质量的最常见环境因素之一,不仅极大的影响室外图像的可见度还增加了获取室外清晰图像的难度,并为许多高层次的计算机视觉任务带来不必要的麻烦,所以研究如何能够行之有效的从有雾图像中恢复出高质量的清晰图像是非常具有现实意义的。本文从大气散射模型入手,分析了当前诸多基于深度学习的图像去雾算法的局限性,并设计了一个新的基于自编码器的图像去雾算法,然后经过对比试验,总结出该图像去雾算法的优点。概括而言,本文的主要工作以及创新点主要集中在以下三个方面:(1)设计一个基于自编码器的图像去雾算法。为了避免大气散射模型参数对图像去雾算法的影响,同时解决当前多数图像去雾算法所存在的模型压缩问题,本文借鉴了深度学习中非常经典的自编码器模型和最新的特征提取模型Res2Net,并以此作为设计新图像去雾算法的基础。对比实验结果显示本文提出的新图像去雾算法实现了去雾网络模型轻量化的问题,而且在提高图像清晰度的同时还保证了图像轮廓的完整性。(2)实现对自编码器的优化。本文通过研究发现,使用自编码器进行图像去雾恢复,图像质量受损是必然的,但是通过改进自编码器的损失函数,就可以减小图像由于自编码器压缩而损失掉的信息。所以本文选取了几种更具视觉特点损失函数,然后分别将其替换到本文的新图像去雾算法中。对比实验结果显示通过改进损失函数可以在保留原有网络结构的基础上对网络模型进行优化,减小去雾图像的质量损失,提高了去雾算法的去雾效果。(3)设计图像去雾软件系统。本文为了便于直观的体现新图像去雾算法的性能,以数字图像软件MATLAB为软件开发平台,设计了一个基于PC端的多种图像去雾技术软件系统,测试结果显示,该系统功能丰富,并且可以流畅的实现图像去雾功能。