机器视觉图像中的雨线、雨滴或水滴的存在,将直接影响图像背景的清晰度,对监测系统性能造成很大的影响。如何有效地去除图像中的雨线、雨滴或水滴,提高图像的质量,是需要解决的重要课题。本文研究了基于注意力生成对抗网络的图像去雨算法,具体工作包括:1.设计出一种表示图像中雨线和雨滴通用的物理模型。该模型考虑了光线经过雨线或雨滴产生的折射和反射效应对图像的影响,同时为获取清晰的背景图,利用二进制掩码的思想创建了雨线或雨滴的注意力分布图,可将一些关于背景环境的信息提供给生成对抗网络(GAN:Generative Adversarial Networks)使用,能够提高判断是否是有雨区域的准确性。2.提出了基于注意力生成对抗网络的自然图像去雨算法。采用残差连接方式的6层注意力循环网络和对称性跳跃连接方式的上下文自动编码器,提高了网络层之间信息流传播的效率,并减轻了梯度消失现象;将视觉注意力注入到生成对抗网络中,提高了网络学习和判别雨线或雨滴区域及其环绕区域的能力,能够使生成的去雨图像背景细节更清晰。实验结果表明,该算法在图像质量评价的主、客观两方面优于比较的其它经典算法,且能够有效地适用于同时对雨线和雨滴的去除。3.提出了基于改进注意力生成对抗网络的橡胶输送带图像去水滴算法。在注意力机制中加入图像形态学操作,减小了水滴注意力分布图与水滴二进制掩码图之间的差距,提高了生成的无水滴图像清晰度;通过数据规范化避免损失爆炸现象,利用数据增强增加训练图像数据量,提高了模型泛化能力;通过减少注意力循环网络层数减少网络共享参数数量,提升了模型训练和使用效率。实验结果表明,该算法能够检测水滴位置并且去除水滴,提高了橡胶输送带实时监测图像的清晰度,主观视觉效果和客观定量评测结果均优于比较的经典算法。该算法可用于带式输送机及其输送带的安全监控,保障设备安全运行、避免事故发生。