目前，图像去雾技术主要有基于图像的增强技术和基于物理模型的复原技术两类：(1)基于图像对比度、色彩等特征的图像增强方法，该类增强方法直接根据图像本身做处理，主要以增强图像对比度的方法增强像质，提高视觉可观察性。直方图均衡化是最常用的图像增强方法之一，全局直方图均衡化算法简单、运行速率快、实时性好，但其局限性在于只能对黑白图像进行处理，且对于全图对比度较大的图像而言反而会使之对比度变小而模糊。为避免该情况发生可采用局部直方图均衡化方法对图像进行增强处理，以适合该区域的度来增强图像，但该算法运算量很大，花费时间长，效率低且效果并不理想。(2)基于大气散射物理模型建立图像退化模型，并通过测量或估算求得大气透过率、散射强度等参数实现场景复原。在物理模型中，需要先求得或自定义场景深度和大气散射强度等条件作为先验信息，再对图像进行复原。然而该模型中若要测量获得景深信息等，需借助雷达设备等工具，成本高且很难实现。若不测量景深信息，直接以数学方法求得难免难于使图像复原，存在一定程度上的残雾、光晕等现象。相比之下，基于物理模型的图像复原总是比单纯的图像增强可靠性强、复原效果较好，但其实时性较差，且算法相对复杂许多，运行速率低。33012
在图像增强法发展到一定阶段时，在1988年，Oakley等人提出了图像复原的去雾处理方法，不再一增强对比度，而是考虑散射因素和实际环境，开创了在这一领域的先河。
2000年，M.S.Narasimhan等人通过对环境的考虑提出了二值散射模型，该模型通过对多种天气下同一图像的拍摄，可获取景深和大气散射强度，最后得出去雾图像。
随后，图像复原技术不断发展，出现了通过获取光的偏振特性、计算深度不连续的边界、交互式景深估计以及3D 模型获取场景深度等方式进行图像去雾复原处理。论文网
2007 年，中国南京理工大学计算机学院模式识别与智能系统实验室[19]通过对大气散射强度、图像场景深度以及图像对比度损失程度之间的关系，总结出基于偏微分方程的图像去雾算法。
2009年，何恺明等人通过大量实验，提出暗通道理论，并研究出了一种全新的基于先验知识的图像处理手段——基于暗原色的图像复原去雾处理方法[30]。
2010年，何恺明等学者在暗原色理论基础上对之前建立的物理模型和算法进行了改进，提出了引导滤波法，该算法比之前的算法化简了许多，在运行时效率提高了很多，且对景深较深处的景物有明显改善。 图像去雾技术国内外研究现状:http://www.youerw.com/yanjiu/lunwen_29849.html