谈及视频增强技术领域时，大多数时候关心的是获取固定场景中的特定图像信息，需要清晰准确的提取图像的特征值。比如获取违章车辆的车牌号及车体颜色、提取犯罪嫌疑人的衣着细节与体貌特征、智能汽车驾驶时的路面状况、观测地震后是否可能造成河道堵塞、山体滑坡等。然而，室外计算机视觉系统受恶劣天气、光线强度和其它环境因素左右极大，一旦受到上述挑战时，图像中目标对比度和颜色特征衰减，图像质量就会严重下降,极大程度的影响了室外采集设备的功能发挥。获取的低质图像也直接导致了人们获取图像中细节信息的需求无法被满足。本文在前人大量的工作成果基础上，基于广泛的大气物理退化模型提出了一种基于暗原色先验的视频增强算法。算法的主要思想：首先将低光线强度的视频与有雾视频间建立联系，如果对一个像素可知的低照明图像或者高动态范围的图像进行灰度倒转，结果看起来很类似于朦胧的雾图，基于此前提，我们就可以通过一个简单的自动降质源检测来完成输入图像的统一的前提步骤，另外，本文还在预处理环节添加了场景变换模型适应视频的动态变换。自动检测之后进入到核心去雾处理环节，笔者对原何凯明博士的暗原色去雾算法中的透射率图的估计以及大气光的估计都进行了优化，使之更适用于视频增强当中。在透射率估计的优化环节，本人首先选择了指导性滤波来替代了原本的软图像抠图算法，另外还增加了盒子滤波来提高指导滤波的处理速度。在优化全球大气光估计的环节，本文也提出了均值法来替代原本的选取原始图像中的某一点的值作为整幅图片的大气光值。本文并没有对天空区域进行特殊的提取处理，而是采取对所有符合条件的像素点取平均值的做法，并且在原有的对A的估测步骤中添加了一个限定值来避免天空过白的现象。最后给出了新算法的最终实验结果图。