随着计算机视觉技术的逐步发展,各类户外计算机视觉相关任务逐渐走入人们的眼帘。降水天气一直是影响户外视觉系统有效性的重要因素之一。因此去雨技术逐渐成为一个研究热点,这些技术可以广泛应用在户外监控、无人驾驶、遥感成像等领域。单幅图像去雨属于去雨研究课题中的一个分支,相较于视频去雨可以利用多帧冗余信息,单幅图像去雨更具挑战性。本文讨论了单幅图像去雨的问题,并对此提出了一种新的解决方案。本文的核心思想是将单幅有雨图像中的雨水去除任务分解为有雨图像中的远景雨水去除任务和近景雨水去除任务,并分别利用非局部去雾技术以及模糊宽度学习技术应用于远近雨水的去除任务中。本文的主要研究内容如下:1.本文首先使用去雾方法对输入的雨天图像进行远景雨水的去除。针对传统方法去除远景雨水后背景还原度不高、还原背景色过暗存在偏差的现象,将基于非局部的去雾技术应用到单幅图像去雨的课题中,对单幅图像中的远景雨水进行去除。该技术能够较好地去除户外雨水天气下的远景雾气状雨水,并显著地突出近景雨水。2.本文接着在处理近景雨水的过程中,针对深度学习方法超参数过多,训练时间过长等问题,设计了一种基于模糊宽度学习的去雨网络。并且在训练数据预处理的过程中,将图像分为细节层和基础层,并且将训练数据从RGB空间的细节层转换为YCbCr空间中的Y通道图像,因此大大减少了训练数据量,加快了网络训练速度。3.最后,将从去雾图像中提取出的细节图以一定的透明度叠加在初步结果上,得到最终的结果。基于真实世界图像和合成图像的实验结果表明,本文提出的解决方案在减少运行时间和训练时间的同时,有着较好的性能。