摘 要

雨天是日常生活中比较常见的恶劣天气，会对户外拍摄的图像或者视频质量造成一定的影响，导致图像细节被遮挡或者模糊，不利于进一步的研究和实践工作的开展，造成图像使用价值的降低。近年来，深度学习的蓬勃发展，促进了计算机视觉领域的研究，并产生了大量的实际应用，为人们的生产生活带来了极大便利。

因此，本文基于卷积神经网络，实现一个输入任意一幅在雨天拍摄的普通图片，输入相应的无雨状态下的清晰图片的实例系统。主要的学习内容及学习成果如下所示：

1. 卷积神经网络的基础知识，以及各种经典的卷积神经网络，例如：AlexNet、VGG、Resnet。了解卷积神经网络的发展历程，学习各种网络中创新性的内容，尝试把它们运用到自己的学习中去。
2. 语言基础和深度学习框架的学习。使用pytorch作为主要的开发框架，另外辅以opencv、pyqt等工具包，综合完成图片数据的处理转换，神经网络的搭建、训练、测试，结果的可视化展示。
3. 一篇相关论文的仔细研读，通过论文与实现源码的对比学习，了解搭建一个神经网络解决实际问题的基本过程，利用作者已经训练好的模型，完成本文中的实例系统。

关键词：图像去雨；卷积神经网络；pytorch

Abstract

Rainy days are relatively common bad weather in daily life, which will have a certain impact on the quality of images or videos taken outdoors, causing the details of the images to be blocked or blurred, which is not conducive to further research and practical work, and reduces the value of the images. . In recent years, the vigorous development of deep learning has promoted research in the field of computer vision, and has produced a large number of practical applications, which has brought great convenience to people's production and life.

Therefore, based on the convolutional neural network, this paper implements an example system for inputting any ordinary picture taken on a rainy day and inputting a clear picture under a rain-free state. The main learning content and learning results are as follows.

1. Basic knowledge of convolutional neural networks, and various classic convolutional neural networks, such as: AlexNet, VGG, ResNet. Understand the development process of convolutional neural networks, learn the innovative content of various networks, and try to apply them to my own learning.
2. The study of language foundation and deep learning framework. Use pytorch as the main development framework, supplemented by opencv, pyqt and other toolkits to comprehensively complete the processing and conversion of image data, neural network construction, training, testing, and visual display of results.
3. A careful study of a related paper, through the comparative study of the paper and the source code, understand the basic process of building a neural network to solve practical problems, and use the model that the author has trained to complete the example system in this paper.

Key Words：image derain；convolutional neural networks;pytorch

目 录

摘 要 III

Abstract IV

第1章 绪论 1

1.1 研究背景与意义 1

1.2 国内外研究现状 2

1.2.1 传统方法 2

1.2.2 深度学习方法 3

1.3 设计内容 3

1.4 论文章节安排 4

第2章 数据集的获取与筛选 5

2.1 数据集的收集 5

2.2 数据集的筛选 6

2.3 数据集的分类 7

2.4 本章小结 8

第3章 相关理论及工具 9

3.1 卷积神经网络简述 9

3.1.1 ResNet 11

3.1.2 LSTM 11

3.2 相关工具包 13

3.2.1 anaconda的使用 14

3.2.2 pytorch安装及测试 16

3.2.3 opencv安装及测试 17

3.3 本章小结 18

第4章 系统实现 19

4.1 网络设计 19

4.1.1网络结构 19

4.1.2优化算法 21

4.1.3损失函数 21

4.1.4输入和输出 22

4.2 展示界面 22

4.3 前后端整合 25

4.4 本章小结 26

第5章 系统测试 27

5.1 输入文件的格式 27

5.2 输入文件的大小 29

5.3 输入文件的内容 30

5.4 效果测试 31

5.5 本章小结 32

第6章 总结与展望 35

致谢 36

参考文献 37

第1章 绪论

1.1 研究背景与意义

视觉是人类从外界获取信息的最直接也是最重要的途径，每天通过眼睛获取的信息量远比其他感官多很多，完全不在一个量级上。这在我们日常生活中也可以很明显的体会到，例如我们每天获取信息的方式主要是通过书本和网络，无论我们是阅读一本书，还是通过手机电脑浏览新闻网页，都是通过视觉直接获取相关图像，然后通过大脑进行加工。可以不客气的说，图像在人类感知和了解世界的过程中，地位举足轻重 ^[1]。当前相应技术水平的不断提高，图像不仅能记录人们视觉上直接就能获取的信息，而且如果辅以相应的探测设备，图像还可以记录仅凭人类肉眼无法看到的信息，这类信息往往对我们的帮助更大，例如在医学领域被广泛用于疾病检查的彩超、内镜等技术。所以当下包括医学、计算机科学、工程学等多个领域已经将数字图像处理技术作为重要的研究对象^[2]。

为了能够从相应图像中获取到清晰准确的信息，一个重要的前提条件就是必须保证图像内容清晰无遮挡，然而这一条件在现实世界中却是难以保证。人们常说天有不测风云，对于许多户外图像采集设备，恶劣天气是图像采集过程中的一大挑战，其中，我们日常生活中最为常见的就是下雨天。因为雨水不仅会对设备正常工作造成一定的影响，更会给图像采集工作带来极大的干扰。在雨天图像的质量会大大退化，图像清晰度也会受到明显的影响，特别是雨水下落过程中形成的雨线会遮挡图像的细节，从而使图像的亮度、对比度、饱和度等一系列指标发生变化。导致图像质量的降低，这会直接影响到以此为基础相关研究工作的有效开展，特别是最近研究比较火热的基于深度学习的计算机视觉领域^[3]。