随着数字科技的进步与图像处理技术的蓬勃发展,户外计算机视觉系统在现实生活中得到广泛应用,如航拍、监控和自动导航等。然而户外摄取的视频与图像数据常常受到恶劣天气的干扰,这很大程度上限制了计算机视觉系统的正常使用。与此同时,目标检测和定位等计算机视觉算法的性能也会受到图像质量的影响。下雨天是自然界最为常见的天气之一,在雨天进行户外拍摄很难得到清晰可靠的图像,当雨条覆盖在图像中的目标之上,会使得图像质量下降,变得模糊不清,对计算机视觉算法的精确度产生不利影响。因此,开展单幅图像去雨课题的研究具有重要意义与实际应用价值。本文以卷积神经网络为研究手段,围绕单幅图像去雨任务开展研究,通过合理地设计网络模型,实现了高效的单幅图像去雨性能,具体研究成果和内容总结如下:1、提出了一种简单残差密集去雨网络(SRDN)针对当前单幅图像去雨算法存在的去雨效果不佳与运算时间过长等问题,本文提出一种简单残差密集去雨网络。该网络包含一种改进的残差连接方式和一种简单的密集连接网络模块。其残差连接方式通过恰当地使用图像分解与残差知识,降低了网络的学习难度,同时可以更为准确地学习带雨图像与清晰图像之间的亮度信息。所设计的简单密集网络模块具有两方面的优势:首先通过密集连接的方式可以有效地利用特征进行训练,有利于去雨图像保留更多细节信息;其次,通过简化网络模块和使用较少网络参数,大大提升了运算速度。实验结果表明,本文提出的简单残差密集网络优于多个先进单幅图像去雨算法,具有良好的去雨效果和较高的运算速度。2、提出了一种加权残差去雨网络(WRN)为了在保证去雨效果的同时进一步缩减运算时间,本文提出一种加权残差去雨网络。首先在上述SRDN的残差连接方式中引入加权思想,设计了一种加权残差连接方式,使得网络在学习过程中可动态调节残差特征的使用。然后以具有跨层连接的卷积-反卷积网络模块为基础,设计了一种多尺度加权网络模块。该模块具有以下三方面优势:第一,采用多尺度卷积思想增大网络的感受野和促进信息融合;第二,在网络参数层引入加权思想,动态调节网络层对整体网络的贡献度;第三,使用步长为2的卷积与反卷积操作,大幅度缩减了运算时间。实验结果证明,本文提出的加权残差网络去雨性能优越,尤其在运算速度上超越了大多数先进单幅图像去雨算法。