目的及意义：

雨是一种常见的天气现象, 雨滴可能会造成户外计算机视觉系统的工作不正常.雨滴会模糊获取的户外图像, 使图像丢失原有的细节信息和特征信息, 并且使图像视觉效果下降[10]。为了提高受雨天气影响的户外拍摄图像的清晰度, 恢复图像特征信息, 提高很多计算机视觉算法在雨天气条件下的准确性,进而大大减少我们的人身安全，提高我们的生活质量，图像去雨算法的研究就显得很有价值。

视频图像去雨是指从图像中检测雨滴并将其去除的一种关键技术，也是计算机视觉中的一个重要研究分支，近年来已得到深入的研究，在目标检测、识别、追踪、分割和监控等领域有巨大的应用前景。随着计算机视觉技术的迅猛发展，户外视觉系统开始广泛应用于军事、交通及安全监控等领域。然而，由于各类恶劣天气造成的图像模糊和信息覆盖等[3]，会直接或间接影响户外视觉系统的性能。建立一个去除各种恶劣天气对图像带来影响的全天候户外视觉系统很有必要。雨作为一种最常见的恶劣天气的产物，因其在空间上呈随机概率分布且一直处于快速运动状态，使得雨滴的检测和去除在国内外学术界一直是一项极具挑战而且很有意义的研究课题。

国内外研究现状分析：

在过去十年里，图像去雨已经引起了大量的关注，有许多方法被提出去解决这个问题，这些现有的方法能被分为基于视频和基于单张图片两类。由于基于视频的去雨方法能使用帧与帧之间的关系，所以它是相对简单的[3,4,5,6]，相反，单张图片的去雨就更有挑战性，在这份论文中，我们关注的就是单张图片的去雨。单张图片去雨的传统方法，像判别稀疏编码[11]、低秩表达[12]和高斯混合模型[13]，都被应用到该任务上并有非常好的表现。

最近，基于深度学习的方法得到了广泛关注，因为它强大的特征表现能力。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示[7]。

近年来，几种基于深度学习的去雨方法都取得了良好的效果。付等[14,15]首先将深度学习方法引入到去雨问题中。与[16]相似，他们也将雨水图像分解为低频和高频部分，然后使用深度剩余网络将高频部分映射到雨条纹层。杨等人[17,18]设计了一个深度循环扩张网络来共同检测和消除雨纹。在背景图像从雨水图片中被提取出来时，张等人[19]使用生成对抗网络（GAN）来防止背景退化，并利用视觉损失进一步保证了较好的视觉质量。李等人[9]设计了一种新的多级卷积神经网络，该网络由多个并行子网络组成，每个子网络能感知不同尺度的雨纹。近段时间，由北京大学的李夏等人的自研的一种基于深度学习的RESCAN网络结构更是性能强悍，在所有评估指标下碾压state-of-the-art方法[1]。

所有的这些方法都有不错的表现，但也有许多方面需要改进，如单幅图像去雨技术的计算量大、动态场景中容易造成误检等。如何保证在高准确率的前提下提高去雨的鲁棒性和实时性，仍是目前视频图像去雨领域的难点和焦点。

2. 研究的基本内容与方案

基本内容

本次毕业设计拟在深入学习深度学习相关技术的基础上，掌握深度学习在计算机视觉领域的应用方法，实现一个可以针对任意一幅在雨天环境下拍摄的普通图片，将其有效地恢复成一张无雨状态下清晰图像的实例系统。