在有雨的天气下,摄像机捕获的雨天图像通常成像模糊不清,能见程度降低,这在很大程度上干扰了计算机自动检测、识别还有目标跟踪的能力。例如,在交通事故中的责任划分和警察对犯罪分子的跟踪定位上,因为雨线对重要地理位置摄像头的干扰,导致摄像头没有办法提供清晰的图像作为证据,就会产生不良的影响。所以,利用去除雨图像中的雨线来提高图像的清晰度,具有非常强的理论意义和实际应用价值,近些年,通过去除雨线提高图像质量的视觉感知增强技术已成为图像处理领域的研究热点。本文针对单幅图像去除雨线技术进行了全面研究,具体研究内容如下:(1)针对单幅图像雨线偏离垂直方向时,去雨后的效果图出现雨线残留明显或背景模糊化的现象,本文实现了斜角度雨线平移的全局稀疏去雨模型,首先,利用中值滤波器对雨图像进行滤波处理,得到一个初步的雨线估计,并通过转换、平移、计算竖直方向梯度等策略使雨线垂直,然后,通过三个稀疏正则项构建全局稀疏模型进行去雨,三个稀疏正则项包括:雨线的稀疏正则项、雨线主方向(y方向)上的梯度稀疏性、垂直于雨线主方向(x方向)上的梯度稀疏性,最后,将通过全局稀疏模型进行雨线去除得到的图像进行对应的逆变换操作,得到无雨图像。实验结果表明,本文算法在雨线偏离垂直方向的情况下,仍可较大程度地去除雨线并保留图像的背景细节信息。(2)基于残差Res Net能通过改变映射范围加强深度学习、把输入分为高频细节层和基础层、通过输入的直接映射到输出加强图像特征等操作构建网络:通过频域变换来分离图像使得操作目标进一步稀疏化,把图像分成高频部分和低频部分,因为雨线几乎只存在于高频部分,所以在这里我们只对高频部分做去除雨线的操作。我们用压缩惩罚Squeeze-and-Excitation(SE)网络层替换掉批量归一化层(BN),把Squeeze-and-Excitation(SE)网络层加入到残差网络中,这样一来可以使算法操作的图像目标值域缩小,稀疏性增强。为了验证本文方法的有效行和可行性,本文在三个数据集上做了大量的实验,实验结果证明了本文实现的模型去除雨线效果良好,解决了雨线残留明显或背景模糊化的不足,在实验运行速度上也超过了很多单幅图像雨线去除的算法。