下雨天环境下室外拍摄的图片随机分布着很多方向的雨线,这些密集的雨线使得目标物体被遮挡,同时对背景产生光线反射,进而降低目标物体的对比度,最终导致拍摄的细节信息丢失,图像质量不理想,而户外交通监控、军事目标侦察依赖于清晰的图像,从而严重影响系统性能。如果能对雨线进行一系列的处理操作,以对图像清晰化,将有利于图像识别、跟踪等领域的应用研究。目前存在单幅图像的去雨研究主要基于图像层建模或雨滴检测,这些方法或对图像进行分解,通过对雨图字典的稀疏编码重建无雨图像,或对雨滴检测,利用雨的特征检测出雨线去雨,进一步对雨线去雨进行去雨,虽然各主流方法均能在一定程度上达到去雨的效果,但不同算法均存在去雨效果不理想和实时性难以兼顾、图像细节丢失、图像结构被破坏等问题。针对上述问题,为了提高单幅图像去雨方法的有效性,本文主要研究工作如下:(1)通过搜集户外不同场景下的无雨图,人工合成大量对应雨图,构建一个用于训练神经网络的标准数据集,该数据集的雨图包括不同场景下不同方向和密度的雨线,运用卷积神经网络对数据集中的有雨图像进行去雨,再与对应无雨图像进行比较,能够定性和定量地评估去雨效果。(2)研究使用滤波算法提取数据集高频部分,通过对数据集预处理,增强图像稀疏性,从而在有效学习雨线特征的同时提高神经网络的训练效率,加快收敛速度。(3)研究使用一种密集卷积神经网络,通过对网络进行密集连接进行重复采样,从而充分学习雨线特征,并进一步使用单层卷积神经网络对初始去雨的结果进行细节修复,最终将雨图像的非线性映射结果直接生成清晰图像。