柴国强，王召巴，丁长明，肖剑平，芦 宾

(1. 中北大学 信息与通信工程学院，山西 太原 030051； 2. 山西师范大学 物理与信息工程学院，山西 临汾 041000；3. 上海杰普软件科技有限公司，上海 200436； 4. 深圳市捷易检测服务有限责任公司，广东 深圳 518040)

0 引 言

下雨是生活中常见的自然现象，往往会造成视线模糊和能见度下降，从而对基于干净图像的目标跟踪、交通路标识别、室外监控等计算机视觉算法带来负面影响[1-3]. 为了保证各种算法在不同条件下的有效性，需要对雨图像预先进行去雨处理. 因此，图像去雨吸引了广大学者的研究，并且取得了一定成果. 根据处理对象的不同，去雨方法主要可以分为两类： 基于视频的去雨方法和基于单幅图像的去雨方法. 基于视频的方法可以充分利用连续图像中雨条纹的时空特性，根据这些特性分析雨条纹与背景图像的差异从而将其去除. 与之对应，基于单幅图像的方法因无法获取时空信息，更加具有挑战性.

单幅图像去雨根据是否使用数据集进行训练分为传统方法和深度学习方法. 传统方法中，Luo等[4]利用稀疏编码，通过字典学习来分离雨条纹和背景图像； Kang等[5]利用双边滤波器将雨图分解为低频和高频分量进行去雨； Wang等[6]定义了一个3层的分层方案来检测和去除单个图像中的雨或雪. 深度学习算法中； Zhang等[7]提出了一种同时执行单图像超分辨率和雨水去除的深度卷积神经网络结构； Xia等[8]提出了一种简化的残差稠密网络来学习雨图像和相应干净图像之间的残差；……