随着科学技术对人类生活的影响逐渐变大,对天空的污染也较之前越来越严重,想在恶劣的天气下获得清晰图像变成了一件很困难的事情。因此,从极端天气中对采集到的图像进行细节复原便有了很重要的现实意义,近几年,数字多媒体技术中的图像复原技术成为了当下研究的的热点问题,本文在大气散射模型的基础上,重点研究了影响图像质量的原因,优化了两种不同原理的去雾方法,对比了经典的去雾方法均获得了不错的去雾显示效果。现将本论文所做主要工作介绍如下:1)优化了一种基于改进暗通道先验的图像去雾方法。该方法基于传统物理模型的方法,首先,通过改进暗通道先验法则得到两种不同颜色空间的暗通道先验值,以此获得多特征的图像;其次,对两个不同的颜色空间分别使用四叉树方法以此来估计出不同颜色空间的大气光值;再次,利用获得的大气光值,计算出RGB颜色空间的透射率和YCbCr颜色空间的Y通道透射率;然后,使用联合双边滤波对透射图进行细化处理,以此可以有效的改善边缘图像不清晰问题;最后,对两个不同颜色空间的图像赋予不同的权重来对图像进行复原。主客观实验数据表明该方法有效地解决了图像细节丢失度高、图像饱和不够、边缘部分不清晰的问题,与已有的图像去雾方法相比,能够产生更真实的清晰图像。2)优化了一种基于多尺度卷积神经网络的图像去雾方法。利用大型合成数据集Reside作为我们雾天图像的原始数据集,通过多卷积的神经网络结构学习RGB颜色通道和YCbCr颜色通道的雾图和清晰图像之间的映射关系实现图像去雾。首先,利用多尺度卷积核对图像的雾霾特征进行提取;其次,连接两个残差模块,以防止训练过程中出现梯度爆炸;最后,通过反卷积模块复原出清晰图像。通过大量数据表明,该方法无论是在室内场景还是室外自然场景下,去雾后的图像都具有很强的辨识度,图像对比度高,饱和度好的显示效果。综上所述,在测试集的图像上进行大量实验表明,本文提出的两种优化方法对有雾图像都有着明显的去雾效果。