在雾霾等复杂天气条件下,大气光受到空气中微小粒子的散射作用使得参与成像的光发生衰减,导致所获取图像的对比度降低,图像质量下降。不仅严重影响了图像的视觉效果还增加特征信息提取的难度。严重时,使得户外监视系统无法正常运行。因此,研究复杂天气下图像清晰化处理技术具有重要的现实意义。现有的雾霾图像清晰化技术主要分为两大类:基于非物理模型的图像增强技术和基于物理模型的图像复原算法。图像增强方法仅从低对比度和低亮度特征出发,按照特定需求突出图像中感兴趣的部分信息,同时抑制不需要的信息,算法实时性高,应用范围广,但易造成图像颜色失真;而图像复原方法是从雾霾成像的物理机理出发,尽可能利用先验信息,求解模型参数,以获取清晰图像。这种方法去雾,图像纹理细节复原较好,但算法复杂度高,图像亮度和色度低。因此,在雾霾图像清晰化处理过程中,不仅要兼顾图像增强程度和细节信息恢复的问题,还要关注去雾后图像颜色失真的问题。基于以上认识,针对上述两类去雾方法存在的问题,提出了改进的清晰化处理方法,我们主要做了以下研究工作:通过深入分析已有两类去雾模型存在的不足,我们提出了一种改进的基于线性模型参数优化搜索的去雾方法。首先,从模型机理上着手,根据两类方法原理的线性本质,并考虑图像获取过程中的噪声影响,给出了统一的线性模型描述形式。进而,在模型方程的求解问题上,借助估计参数的先验,充分利用遗传算法自身具有的寻优能力,将雾霾图像的复原问题转化为对原始未退化图像的参数最优估计问题,实现对模型参数的最优搜索。最后,将最优参数带入线性模型方程并且复原出最佳去雾图像。实验结果表明,该算法处理后的图像边缘细节清晰、场景自然、颜色信息丰富。通过对已有去雾方法效果的比对,并对其进行图像质量评价。针对不同类别雾霾图像清晰化效果存在的普适性差问题,我们提出了一种基于清晰度判决的自适应单幅图像去雾算法。首先,对输入图像计算清晰度判决函数并将雾霾图像分类。进而自适应调用去雾算法依次进行去雾处理。为了使去雾图像的色度和对比度均能达到最优,这里我们对图像质量评价结果引入编码决策方法。最后,输出多种方法结果比较的最优结果,实现去雾系统的整体最优化。实验结果表明,经该算法去雾后图像对比度高,视觉效果好,算法普适性强,该算法能够很好的实现雾霾图像清晰化。