En este artículo, proponemos un método de desneblado de imagen única que busca abordar las limitaciones inherentes del ampliamente utilizado prior de canal oscuro (DCP). Más concretamente, introducimos el modelo de mezcla gaussiana (GMM) para segmentar la imagen neblinosa de entrada en escenas basadas en el mapa de características de densidad de neblina. Con los resultados de segmentación, combinados con el método propuesto de detección de regiones del cielo, podemos reconocer eficazmente la región del cielo donde el DCP no puede manejar bien esto. Sobre la base de la detección de la región del cielo, presentamos un método mejorado de estimación de luz atmosférica global para aumentar la precisión de la estimación de la luz atmosférica. Además, presentamos una estrategia basada en fusión multiescala para obtener el mapa de transmisión basado en DCP, que puede reducir significativamente los artefactos de bloqueo del mapa de transmisión. Para corregir aún más la transmisión propensa a errores dentro de la región del cielo, también se presenta un método de corrección de transmisión adaptativa de la región del cielo. Finalmente, debido a la ceguera de segmentación del GMM, adoptamos la variación total guiada (GTV) para abordar este problema mientras eliminamos los extensos detalles de textura contenidos en el mapa de transmisión. Los resultados experimentales verifican la eficacia de nuestro método y muestran su superioridad sobre varios métodos de última generación.