把式（10）带入式（8）中，得到：
这就是透射率
的预估值。
在现实生活中，即使是晴天白云，空气中也存在着一些颗粒，因此，看远处的物体还是能感觉到雾的影响，另外，雾的存在让人类感到景深的存在，因此，有必要在去雾的时候保留一定程度的雾，这可以通过在式（11）中引入一个在[0,1] 之间的因子，则式（11）修正为：
本文中所有的测试结果依赖于： ω=0.95。
上述推论中都是假设全球达气光A值时已知的，在实际中，我们可以借助于暗通道图来从有雾图像中获取该值。具体步骤如下：
1）从暗通道图中按照亮度的大小取前0.1%的像素。
2）在这些位置中，在原始有雾图像I中寻找对应的具有最高亮度的点的值，作为A值。 到这一步，我们就可以进行无雾图像的恢复了。由式（1）可知： J = ( I - A)/t + A 现在I,A,t都已经求得了，因此，完全可以进行J的计算。
当投射图t 的值很小时，会导致J的值偏大，从而使淂图像整体向白场过度，因此一般可设置一阈值T0，当t值小于T0时，令t=T0，本文中所有效果图均以T0=0.1为标准计算。 因此，最终的恢复公式如下：
当直接用上述理论进行恢复时，去雾的效果其实也是很明显的，比如下面一些例子：
有雾图 去雾图
注意到第一幅图的原图两个字的周围明显有一块不协调的地方，而第二图顶部水平方向似乎有一块没有进行去雾处理，这些都是由于我们的透射率图过于粗糙了。
要获得更为精细的透射率图，何博士在文章中提出了了soft matting方法，能得到非常细腻的结果。但是他的一个致命的弱点就是速度特慢，不使用于实际使用。在2011年，何博士又除了一片论文，其中提到了导向滤波的方式来获得较好的透射率图。该方法的主要过程集中于简单的方框模糊，而方框模糊有多重和半径无关的快速算法。因此，算法的实用性特强，关于这个导向滤波算法大家在何博士的网站可以自己去研习下，除了在去雾方面外，还有着其他多方面的应用，这部分本文不多述。 使用了导向滤波后的去雾效果：
使用原始的预估透射率图 波后的透射率图
使用导向滤
(a) 原图 去雾结果图
(b)