陈清江， 吴田田

(西安建筑科技大学 理学院， 陕西 西安710055)

1 引 言

图像去雨与图像去雾、图像去噪、图像去模糊等都属于图像恢复问题。在雨天环境中，雨水会使图像发生形变、模糊、目标遮挡、可视性差等问题，严重影响了户外计算机视觉系统的正常应用。因此，图像去雨算法是一个重要而有应用价值的研究课题，它包括视频去雨[1-5]和单幅图像去雨[5-22]。视频去雨算法直接利用图像帧间像素信息识别与去雨，而单幅图像去雨算法的研究更具挑战。

目前，单幅图像去雨算法主要是基于滤波器[6]、字典学习[7,12]、稀疏编码[9-10]、高斯混合模型[8]以及深度学习网络[13-14]。2013，Zheng等人[6]提出了一种多引导滤波的单幅图像雨雪去除方法，通过引导滤波器对雨天图像的高频部分和低频部分进行恢复；2015年，Luo等人[7]提出了一种判别字典学习与稀疏编码的方法，将雨条纹与图像背景分开后去除雨条纹，但是去雨后的图像上仍有雨条纹残留；2016年，Li等人[8]提出一种基于高斯混合模型的去雨方法，但是存在雨残留和难以准确估计高斯混合模型的问题。自2017年以来，单幅图像去雨进入了一个深度学习时代。Fu等人[13]提出了DerainNet网络，只对图像的高频部分进行网络训练，造成图像色泽上的损失，且在背景区域仍然存在雨条纹的残留痕迹，从而导致去雨效果不理想。随后，Fu等人[14]基于图像领域知识和ResNet网络结构，提出DDN网络对高频部分实行去雨操作，实验效果显著优于不做这一操作的结果。Yang等人[15]提出基于区域的雨水模型，利用扩张卷积和级联学习，将去雨任务分解为多阶段任务。……