针对基于暗通道先验（DCP）与大气散射模型方法实现夜晚图像去雾出现颜色失真及噪声等问题，提出一种基于Msmall-Patch训练的条件生成对抗网络（CGAN）去雾算法MP-CGAN。首先，将UNet与密集神经网络（DenseNet）网络结合成UDNet网络作为生成器网络结构；其次，对生成器与鉴别器网络使用Msmall-Patch训练，即通过对鉴别器最后Patch部分采取Min-Pool或Max-Pool方式提取多个小惩罚区域，这些区域对应退化严重或容易被误判的区域，与之对应提出重度惩罚损失，即在鉴别器输出中选取数个最大损失值作为损失；最后，将重度惩罚损失、感知损失与对抗感知损失组合成新的复合损失函数。在测试集上，与雾密度图预测算法（HDP-Net）相比，所提算法的峰值信噪比（PSNR）与结构相似性（SSIM）值分别提升了59%与37%；与超像素算法比，PSNR与SSIM值分别提升了59%与48%。实验结果表明，所提算法能够减少CGAN训练过程产生的噪声伪影，提高了夜晚图像去雾质量。

针对粉尘分布不均匀且局部多散射引起的图像退化问题，提出单幅粉尘图像的切片重构恢复方法。首先，在场景深度方向采用McCartney模型得到多层切片图像；其次，对切片图像进行联合粉尘检测运算，将切片图像中无粉尘的区域保留，而将有粉尘的区域标记并将此区域作为下一张切片图像的检测区域；然后，对每张切片图像中保留的无粉尘部分和最后一张切片的粉尘区域进行重构；最后，对重构图像使用快速导向滤波，实现了对单幅粉尘图像的恢复。实验结果表明，该恢复方法可以对图像中的粉尘区域实现快速、有效去除，为粉尘环境中基于计算机视觉的目标监控与识别工作奠定基础。