现今，在国内外并没有与此相同的研究。有不少学者致力于图像去雾算法相关的研究，并取得了一系列的研究成果。总体说来，图像去雾方法主要分为两种：一种基于物理成像模型的图像去雾方法，另一种是基于图像增强的图像去雾处理方法[2]。25512
2008年，Tan通过最大化图像的局部差异度的方法恢复出了色彩对比度较好的带雾图像，这种方法在对某些场景图像进行处理时取得了较为有效的成果，但是该方法同样也具有局限性，因为该方法与实际的图像成像物理模型并不相符，他的主要思路依然是处理图像的颜色对比度[3]。这些缺点都限制了这种图像去雾方法被广泛应用的进程。论文网
随后，Fattal提了一种在一定程度上符合图像成像物理规律的简单去雾模型，他们得到的图像去雾结果运用了复杂的优化设计，虽然在去除带有薄雾的图像中取得了很好的效果，但是该方法所运用的图像物理模型有所局限，对带有浓雾的图像不能很好的进行处理[4]。
直到后来，何凯明等人提出了基于暗原色的图像复原去雾处理方法，基于此法则可以获得很好的带雾图像的去雾效果，同时能得到相应的深度图像，这些深度图像可以被用于图像的三文重建等领域。
何凯明等人首先假设户外场景无雾图像中某些区域中存在一个或几个接近于零的颜色通道，换句话说就是景物场景反照率约等于零，然后对大气传输模型函数进行最小值滤波算法运算来粗略估测，最后对大气传输模型函数进行优化改进(利用图像softmatting算法)。这个算法优化本质上讲是求解一个大规模稀疏矩阵所组成的线性方程组的问题，因此这种算法有着很高的时间复杂度和空间复杂度，这里需要说明的是大气传输模型函数实际上是场景景物散射的指数衰减过程，但为了使得图像背景和图像前景转变时图像的边缘细化或者消除重叠部分，图像softmatting过程使用了通道[5]。所以，大气传输模型函数的优化用图像softmatting算法来处理会有一定的误差，同时在利用softmatting代价函数的同时，代价函数数据项发挥的作用不大，但是如果增加代价函数正则因子的取值会使景物景深突变边缘处的细节信息发生丢失，颜色失真。方帅等人在何凯明的暗原色算法基础上，利用图像分割算法对图像高程信息图做了修补和优化，取得了较好的去雾效果。蒋建国等部分学者在暗通道先验的基础上通过增加设置阈值对算法进行了改进，减小了白色等高亮度噪声对暗原色算法的影响方面取得了显著的成就[6]。
遥感图像随着科技的进步使用价值越来越高，它有着自己特有的优势，是一般图像无法比拟的。比如遥感图像在土地覆盖的监测中的应用：土地是人们活动的地方，土地覆盖是地球表层系统最明显的标志，其变化会引发一系列环境生态发生改变，遥感技术以其丰富廉价的数据成为有效的手段[7]。遥感图像也是城市建筑物高度信息获取的主要手段之一，城市建筑物的位置、形状等信息在城市规划中起着非常重要的作用。现在主要的两种获取建筑物高度信息的方法都需要通过高分辨率遥感影像来获得必须信息[8]。第一种是通过立体测量立体像对来实现的。这种方法工作量小，成本相对航空摄影测量要低，其突出优点是数据获取方便，能得到现势性强的数据。第二种利用高空间分辨率遥感图像结合图像处理和人工智能等新方法对建筑物顶部信息进行半自动甚至全自动识别与提取[9]。这种方法不需要其他外部信息源，也不需要多少影像数据资源，所以其前景更为广泛。但是其不足之处在于不能识别建筑物表面的高度信息，仅仅利用图像的灰度信息以及一部分先验知识，难度也随之增高，这种方法目前还处于进一步改进阶段。 图像去雾算法国内外研究现状:http://www.youerw.com/yanjiu/lunwen_19337.html