在日常生活中有许多户外视频系统,比如车辆违规监控系统、车辆自动驾驶系统等。在雾霾天气条件下,视频的可视性会降低,这些系统中使用的模式识别等图像处理算法的性能会下降,导致这些户外视频系统的可用性受到严重损害。为了克服雾霾对于户外视频系统的不利影响,本文设计了一套完整的、鲁棒的视频实时自适应去雾解决方案,并且在三个方面完成了创新性的工作。本文设计了基于暗通道先验和Haze-Line先验的实时图像去雾算法。该算法分别基于暗通道先验和Haze-Line先验来估计局部透射率和非局部透射率,然后利用局部透射率和非局部透射率之间的互补关系,提出了利用二者的叠加来代替常规去雾算法中的平滑步骤。通过这样的设计,不仅显著提升了去雾算法的运行速度,而且能够克服单纯基于暗通道先验或者Haze-Line先验的去雾算法中会出现的光环效应、局部颜色过暗等问题,从而提升了去雾效果。实验结果表明,本文设计的实时图像去雾算法具有运行速度快、去雾效果较为理想的特点。本文也设计了基于信息损失的自适应去雾算法框架。该算法框架可以与基于大气散射模型的图像去雾算法搭配使用,实现对于含雾图像的自适应去雾。该算法框架通过去雾过程中产生的信息损失来判断估计的透射率是否合适,并将判断结果反馈给原生的图像去雾算法,而原生的图像去雾算法则根据该算法框架的判断结果来自适应调整去雾参数。当对视频进行自适应去雾时,使用本文提出的加速方法,该算法框架可以做到相较于原生的去雾算法几乎不引入额外的运行时间开销。实验结果表明,使用该算法框架配合本文设计的实时图像去雾算法,可以得到较为理想的自适应去雾效果。本文还设计了基于立体视觉匹配数据集的去雾量化评价方法。使用本文设计的方法,可以将立体视觉匹配数据集中的数据,通过立体视觉匹配问题以及图像去雾问题中广泛使用的经典公式,来生成可靠的图像去雾数据集。通过计算去雾结果与无雾图像真实数据之间的误差,就可以可靠地对去雾算法进行量化评价。