下雨是一种常见的天气现象,在雨天采集到的图像由于雨滴的干扰,会导致图像质量下降,严重影响后续的图像分割、目标识别等工作,因而对图像中的雨滴进行去除的方法已成为计算机视觉和人工智能领域的重要研究内容。本文对单幅图像雨滴去除方法进行研究,针对目前滤波等雨滴去除方法只能去除图像中的雨线条纹,深度学习的方法对样本依赖度过高且训练过程复杂等不足;在对雨滴进行物理建模的基础上,引入图像复原中经典的TV模型对不同类型的雨滴图像进行处理;并结合改进的区域修复方法,实现雨滴去除后的图像的清晰化。本文对TV模型的几种常见类型TV-L2、TV-L1、TV-G、TV-Hilbert、TV-Gabor、RTV等进行研究,分析了每种模型的适用范围以及优点和不足,重点分析了不同类型的模型对图像纹理部分和结构部分提取能力的差异性。本文对雨滴特征进行了分析,利用球面谐波扰动实现雨滴的物理建模,并结合雨滴的直径与形状之间的关系,对雨滴图像进行了分类;将雨滴的物理模型分别与TV-Gabor模型、RTV模型进行结合,得到了新的TV-Gabor-R和RTV-R模型。新模型解决了原有模型无法对模型的纹理参数进行估算,只能通过多次实验来确定的缺陷。利用这两种模型分别进行单幅图像雨滴去除算法的设计和实现。实验结果表明:TV-Gabor-R模型对图像中的雨滴去除能力较强,但会导致图像的质量有轻微的下降;RTV-R模型对图像中的雨滴去除能力较弱,但雨滴去除后的图像质量较高。为了增强对单幅图像中的雨滴的去除能力,本文利用区域修复对去除雨滴后的图像进行处理,针对区域修复容易出现“疤痕”现象的问题,对区域修复方法进行改进,并将改进后的方法分别与TV-Gabor-R和RTV-R模型结合用于图像雨滴去除。实验结果表明:本文方法不仅适用于雨滴大小不同的图像,而且可以消除图像中残余的雨滴以及少量的反射光等干扰源,提高图像的清晰度。并利用网络收集和实际拍摄等方式构建实验数据集,并利用峰值信噪比对本文方法进行了有效性验证。