朱 鉴，刘培钰，陈炳丰，蔡瑞初

广东工业大学 计算机学院，广州510006

室外镜头拍摄的图像容易受到雨天气的影响，雨线的遮挡导致图像细节丢失或难以辨认，从而干扰室外视觉智能系统的判断力，因此从被雨破坏的图像中恢复出清晰图像至关重要。

早在2012年，Kang等[1]利用双边滤波获得图像的低频和高频成分，并通过对高频成分的字典学习及稀疏编码提取图像的结构信息，最后与低频成分结合得到去雨的图像，但该方法在复杂结构的图像上处理效果不佳。2013 年Kim 等[2]提出了一种两阶段的图像去雨方法。第一阶段通过核回归方法检测雨，第二阶段通过非局部均值滤波恢复被雨像素破坏的区域。然而，由于该方法中的雨检测仅取决于区域的梯度方向，会错误地检测到与雨方向一致的图像边界。此外，由于雨的存在，用于图像修复的非局部均值滤波可能利用并不相似的块来提供修复信息，所以通过非局部均值滤波去除雨线在视觉质量方面仍有较大的改善空间。在文献[3]中提出了与文献[2]类似的方法，但同样存在由于检测模型的不准确产生检测不足或者过检测，造成修补后的图像出现雨痕残留或图像背景被模糊等问题，这也是本文改进与完善的重点。

2015 年Luo 等[4]采用一种非线性雨模型，通过约束雨分量和无雨图像之间的稀疏表示系数的相关性达到去雨的目的，但该算法去雨不彻底且处理后的图像出现不自然伪影。2016年，Li等[5]基于图像先验提出高斯混合模型（Gaussian Mixture Model，GMM），但该方法处理后的图像由于过分平滑导致图像细节的丢失，且对于大雨图像处理并不理想。……