回答您的问题：
“我应该如何解决这个问题？”
这取决于您想要/需要获得的结果。这是一个“业余”项目（即使与工作相关），还是您需要构建一个机器视觉系统来解决问题，并且它应该符合某些法规或标准？
“我应该学习哪些算法？”
我非常感兴趣您的问题，但我不是气象学领域的专家，因此在相关文献中搜索对我来说是一项耗时的任务...因此我保留将来更新答案的部分。我认为解决问题涉及到不同的算法，有些非常通用，例如
image segmentation的算法，有些非常特定，例如如何测量能见度。
更新：在文献中搜索的关键词之一是“气象能见度”，例如...
HAUTIERE, Nicolas, 等. 通过使用车载摄像头自动检测雾霾并估计能见度距离。《机器视觉和应用》, 2006, 17.1: 8-20.
LENOR, Stephan, 等. 一种改进的模型，用于从路面亮度曲线估算气象能见度。在: Pattern Recognition. Springer Berlin Heidelberg, 2013. p. 184-193.
OpenCV能帮我吗？
是的，我认为OpenCV可以帮助您找到一个起点。
一个朴素算法的想法：
- 对图像进行分割，以获取属于标志和背景的像素区域。
- 按照某些程序计算能见度的测量值，该测量值由一个函数计算，该函数的输入为所有标志和背景区域的区域。
如果标志总是处于图像内部的相同固定位置，则可以大大简化分割过程。
能见度的测量显然是算法的核心，可以通过多种方式进行...
您可以采用简单的方法，根据标志和背景区域的平均灰度级别计算能见度的数学公式。
您可以采用更复杂和面向机器学习的方法，实现一种模仿当前人类基于过程的算法。在这种情况下，您的问题可以被框架为一个
监督学习任务：您有一组训练示例，每个训练示例都是由a）跑道的照片（
输入）和b）与该照片相关的并由人类计算的可见度（
期望输出）组成的对。然后，系统通过训练集进行训练，当您将新照片作为输入时，它将返回给您可见度测量。我认为您已经记录了过去的可见度测量日志（METAR？），如果您也保存了相关的图像，那么您已经有足够的数据来构建
训练集和
测试集。
卷积神经网络时代的更新：
YOU, Yang等人。相对CNN-RNN：从图像中学习相对大气能见度。《IEEE图像处理交易》，2018年。
