夜间有雾图像通常具有对比度低、光照不均匀、颜色偏移以及噪声较多等现象，这些退化现象使得夜间图像去雾具有极大的挑战性。针对夜间图像存在的退化问题，本文提出了一种能够在夜间图像中有效去雾并提高图像质量的方法。首先，将图像分解成光晕层和有雾层，并对有雾层进行颜色校正。其次，通过一种新提出的带有伽马变换的图像光源分割方法来分割光源,并设置分割阈值作为像素点属于光源区域的概率值。然后，将得到的概率值与最大反射先验相结合来估计光源和非光源区域的大气光值。最后，根据图像深度与亮度、饱和度以及梯度之间的关系建立线性模型，进一步估计透射率的值。实验得到的分割阈值为0.07，线性深度估计参数分别为1.0267、−0.5966、0.6735、0.004135。实验结果表明本文方法在夜间图像去雾、消除光晕、减少噪声，以及提高可视度方面取得良好的效果。

针对近年来去雾算法质量的评价方法普遍依赖主观评价结果，但缺乏定量描述；现有的客观质量评价方法与主观评价方法之间的一致性不稳定，使两者有时会出现分歧的问题。为提升针对去雾方法的客观质量评价性能，本文提出了一种基于人工合成图像的全参考去雾方法质量评价。首先，建立合成图像数据集，数据集包括参考无雾图像，合成有雾图像，对这些合成有雾图像使用8种主流去雾算法得到的去雾图像。然后，将去雾后图像可能引入的一些质量问题进行分类。最后，通过结合清晰度相关特征和现有的客观质量评价，针对性地提出了一种由图像可视性、结构相似性和颜色恢复度相互融合的去雾方法质量评价。在合成图像数据集中，将本文方法与现有典型的图像质量评价方法进行对比实验，实验结果表明：对于合成图像数据集，本文提出的方法在SRCC、PLCC和RMSE指标上表现最优。本文方法与主观评价的一致性更高，更有利于支持去雾算法的研究。

针对图像去雾算法在天空区域出现恢复不真实以及雾气浓度估计精度不足等问题，本文提出天空区域分割和雾气浓度估计的去雾算法。首先，为了提高透射率的估计精度以及提升去雾效果，利用梯度阈值和亮度阈值分割天空区域。其次，采用改进的暗通道先验和四叉树细分法估计大气光值。最后，针对天空区域和非天空区域采用不同的透射率估计方法，对于天空区域采用亮通道先验方法，对于非天空区域提出了线性雾气浓度估计模型。结合像素点概率分布得到透射率并采用引导滤波方法进行边缘细化，利用大气散射模型获得最终复原图像。实验结果表明，去雾后的图像在主观和客观质量评价方面表现良好，所提出的算法能够使天空区域恢复自然，去雾更加彻底，增加了图像细节的清晰度。本文算法的运行速率与当前主流算法相当，针对不同有雾场景去雾表现的稳定性优于其它算法。