雨天情况下,受雨滴的散射和模糊的作用,户外视觉系统采集的图像产生严重的退化降质,表现为图像模糊、信息遮挡和对比度降低等。这严重制约了户外视觉系统对环境的正确理解与决策。因此,图像去雨有助于提高计算机视觉算法的准确性和可靠性。基于视频去雨的方法可以利用多帧信息,且已有重大进展。相较而言,单幅图像去雨因没有视频连续帧间的冗余信息,其研究更具挑战性。本文围绕单幅图像去雨问题进行深入研究和分析,主要内容如下:(1)为了结合自然图像与有雨图像的先验知识,提出了基于高斯混合模型引导低秩内部字典学习算法,并将其应用于单幅图像去雨。该模型首先利用高斯混合模型从大量自然图像块中学习外部字典。其次,面向有雨图像建立了一种基于外部字典引导内部字典学习模型,并将内部字典的低秩性增加到字典学习目标函数中。基于高斯混合模型在大量自然图像中学习的外部字典有利于恢复图像中稀疏的细节,而从有雨图像中学习的内部字典有助于恢复图像中稠密细节。通过外部字典的更替不断的引导内部字典学习,实验结果表明,在合成图像与真实图像上与其它算法相比,本文学习的引导字典可以有效解决图像去雨问题。(2)针对训练样本和测试样本之间存在一定偏差,上述的基于高斯混合模型引导低秩内部字典学习算法降低了编码系数的准确性,导致去雨模型的泛化性能低,提出了群稀疏残差约束的引导字典学习。该模型在引导字典学习的基础上引入了残差约束,可以有效提高稀疏编码的准确性与模型的泛化能力,从而获得更好的图像重构性能。其次,基于图像的非局部自相似准则,利用群结构稀疏表示确保了相似图像块的编码系数尽可能接近。实验结果表明,本章算法去雨后的图像具有更为丰富的细节信息,图像更为清晰,大大改善了整体视觉效果。同时,在夜晚场景的真实雨图上验证了该模型的泛化性能。(3)群稀疏表示考虑了相似块之间的关联,能够很好地描述图像的全局特征。块稀疏表示能够很好地保持图像的局部稀疏性。考虑到两种方法的互补性,基于引导字典学习提出了块-群稀疏联合表示算法。该算法能够有机地结合块稀疏表示和群稀疏表示的优势,从而大大提升图像去雨性能。实验结果表明,本章提出的算法相比现有的算法有明显的改进,能更好地保留图像的局部结构,抑制伪影,去雨后的图像清晰,视觉效果好。