图像作为人们获取外界信息的重要载体,小到日常出行、旅游拍照及视频监控,大到科学研究、军事战略及航天探索,这些实际应用都与图像有着紧密的联系。在雾天环境下采集的图像呈现对比度低、细节信息模糊的缺点,不但弱化了人们的感官体验,而且极大地影响了图像信息的准确获取,因此需要图像去雾算法来改善雾天图像的质量。目前大多数图像去雾算法都可以针对雾天图像复原出视觉效果良好的清晰图像,但是由于该类算法计算过程复杂、耗时长的缺陷,使得它难以应用于实际生活,因此本文将以图像去雾算法的实时处理作为研究重点。基于暗原色先验(DCP)理论的图像去雾算法是业界应用最广泛的算法之一,它包括5个步骤:计算暗原色图、估算大气光、计算初始透射率、精细化透射率和应用去雾模型。首先本文对该算法进行了详细分析,得出估算大气光和精细化透射率是去雾算法的关键;针对原算法中估算大气光不准确的缺陷,采用最小熵值法替代最大强度法,改进后的方法可以估算出更准确的大气光;针对原算法中精细化透射率耗时过长的不足,采用导向滤波替代软抠图方法,然而改进后的方法仍然无法达到实时处理的效果,分析得出,导向图是作为边缘信息指导图输入的,因此进一步采用同样具有边缘信息的亮度图替代雾天图像执行导向滤波,改进后的方法相对于改进前有30倍的加速比。其次本文分析了改进后去雾算法每个步骤的计算量和并行度,为去雾算法在GPU上的并行优化提供依据。针对计算暗原色图、初始透射率和应用去雾模型3个步骤,本文创建了图像分辨率个并行线程,每个线程计算对应滤波窗口的暗原色值或透射率值,同时采用共享内存、合并内核函数和指令优化等多种优化策略对GPU端程序进行优化;针对算法并行度较低的大气光估算部分提出一种计算过程简单的阈值方法,同时采用并行归约方法对大气光选择进行优化;针对精细化透射率部分提出一种并行累加策略,同时采用共享内存冲突避免策略进行优化。针对图像去雾算法每个步骤的优化结果,借助性能分析工具Parallel Nsight进行评价分析,结果表明优化后去雾算法的各个步骤执行任务的效率更高。最后通过大量的对比实验对本文算法在图像质量和时间性能两方面进行评价分析。图像质量评价结果证明本文方法相对传统的图像去雾算法有更好的视觉效果和图像质量,并且更适用于处理实际雾天图像;时间性能结果显示在GPU上优化后的图像去雾算法相对于CPU版去雾程序有200倍以上的加速比,处理一幅1024×1024分辨率大小的图像只需要28.95ms,可以满足实时处理的要求,同时本文算法相对于其他去雾优化方法有更短的执行时间,更适合处理密集型任务。