基于现有的衰减模型和大气光模型[3]，同时综合考虑了对成像系统产生影响的两类散射作用，Narasumhan教授推导出了，雾霾等天气下的大气散射模型：
                        (1.1)
其中 表示待求的复原图像， 是大气散射率， 是大气光常量。散射模型假定反射光和物体表面到成像系统的距离线性相关。由前文可知，散射模型可以分解为两部分：直接衰减分量 和大气光分量 。 描述了在传输到成像设备的过程中，光线所受大气粒子的散射作用：
                         (1.2)
 是图像偏色的主要原因，可表示为：
                         (1.3)
 值表示传输过程中大气粒子的散射率。在介质均匀的理想条件下，散射率 可表示为 ， 为散射时大气粒子的散射系数， 表示成像系统和物体表面之间的距离即场景深度。图像去雾的原理是：在场景深度 和大气光常量 未知的情况下，利用雾天图像 ，计算出复原图像 ,由式(1.1)可得:
                        (1.4)
1.2  现有的去雾算法介绍
    对现有的图像去雾算法进行分析，依据实现去雾目的是否需要多幅图像或其他条件，可将算法划分为两大类：多幅图像去雾算法和单幅图像去雾算法。
1.2.1  多幅图像去雾算法
    由于大气散射模型包含 和 三个参数，无法直接利用式(1.1)或者(1.4)求解场景的散射系数。所以出现了多幅图像去雾算法:采用特定的手段得到场景的多幅图像，对这些图像进行恰当处理，估计出模型中部分参数的近似值，再利用式(1.1)或(1.4)求解出散射系数,实现图像去雾。依据所需要的场景或成像系统的附加条件，将去雾算法分为3类：
⑴  利用不同天气条件下同一个场景的多幅图像去雾
    在不同天气条件下，拍摄同一个场景，采集同一场景的多幅图像，利用不同天气条件下大气粒子属性不同的规律[4-7]，对这些图像进行处理，得到复原图像，达到图像去雾的目的。但主要问题在于，对多幅图像进行处理，获取大气粒子属性的过程耗时长，难度大。
Narasimhan提出了二值大气散射模型[4]，并据此分析了不同天气条件下场景颜色的变化规律[7]，在场景颜色变化的约束下利用多幅图像复原出场景的3D模型和颜色[6]。但是当景物颜色过于灰暗，接近雾霾颜色时，二色模型的效果不甚理想。
⑵  利用大气偏振光的特性实现图像去雾
使用不同角度的偏振滤波器对同一场景进行滤波处理[8-15]，对这组滤波结果进行处理，估计出雾霾的影响。分析不同滤波结果间的差异，计算出雾霾偏振光的数量级。但是遇到雾霾较浓等天气条件时，算法处理效果糟糕，鲁棒性差，因为偏振光不再是图像降质的主要影响因素。
⑶  利用先验定律或用户交互的图像去雾算法
部分算法需要给定场景的3文几何模型。Narasimhan和Nayar[16]提出一种高级算法，采取用户交互的方式，确定场景的深度图，利用深度图对降质图像进行处理，复原图像。具体算法有2种：算法1借助用户交互，确定天空区域和场景中因雾霾影响而消失的景物位置，然后对确定出的消失点进行插值，估计出景深。算法2由用户指定天空区域和靠近成像系统的区域的颜色，实现将靠近成像系统受雾霾影响小的颜色传递到其他区域。 C++图像去雾算法研究+文献综述(2):http://www.youerw.com/jisuanji/lunwen_13502.html