随着计算机视觉技术的迅猛发展,户外视觉系统开始广泛应用于军事、交通及安全监控等领域。许多户外的视觉系统都要求精准的户外场景探测,比如户外视频监控、无人驾驶系统等。然而在雨天时,景物的能见度大幅度降低,所拍摄的图片和视频数据都受到了雨滴的极大影响。图像会变得模糊以至于图像中的关键性信息无法被识别,这将导致图像的使用价值大大降低。目前大部分去雨的研究都关注于视频或多帧图像的去雨,主要因为在单幅图像中缺少视频或多帧图像中雨滴感光性变化以及时空相关性等先验信息,这使得单幅图像去雨问题变得复杂。基于单幅图像中缺少先验信息的局限性,该项技术主要存在两大难点:第一,虽然雨线在图像中可以呈现出细而亮的线条,但由于风向因素、相似背景干扰等问题,对复杂多变的雨线进行准确的检测是很困难的;第二,在去除雨线时常常会出现过度去雨或欠去雨的现象,这将导致去雨后图像出现断层、杂点,或图像细节丢失的问题。近年来随着深度学习网络方法的提出,凭借着其在特征提取方面的优势,许多学者利用深度学习方法在单幅图像去雨任务中取得了很大的进展。但是目前用于单幅图像去雨任务的深度学习方法仍然存在一些问题。第一,由于真实的有雨-无雨图像数据对无法获得,而合成的数据集又很难涵盖真实雨天图像中分布复杂且多样的降雨情况。目前的单幅图像去雨方法仅能对训练数据集中所包含的一种雨线情况进行有效去除,模型泛化能力低,不利于实际应用。所以,还是需要从提高模型对雨线识别的泛化能力上来提高单幅图像的去雨效果,从而提高模型的实际应用价值。第二,目前单幅图像去雨模型得到的去雨后结果常常会出现杂色点、图像对比度饱和度改变甚至存在去雨后留下不平滑雨线的现象。因此,本文针对上述两个问题,提出了一个具有较高通用性的高质量单幅图像去雨模型,以CGAN(Conditional Generative Adversarial Nets)为基线网络,在此基础上作出以下两点改进,提高了模型的泛化能力,增强了去雨后图像的质量:(1)针对目前单幅图像去雨方法对雨线识别泛化能力不足的问题,本文首先在CGAN网络的基础上,加入改进后的空间注意力模块,构建了一种能够适用于多种雨线去除的通用性模型,提高模型的实际应用价值。经过第一点改进,通过改进后的空间注意力机制增强模型对雨线识别定位的能力,使模型更聚焦于雨线所在位置,减少其他背景信息的干扰,解决了目前单幅图像去雨方法仅能对一种雨线进行有效去除的问题。实验表明,加入了改进后的空间注意力的单幅图像去雨模型,在仅用一种雨线情况的数据集进行网络训练的前提下,在其他去雨数据集上能够对多种雨线情况进行有效去雨,验证了加入改进后的空间注意力模块的单幅图像去雨模型对于提高模型通用性的有效性。并且本文方法与其他主流去雨算法相比,在目前使用率最高且合成效果最逼真的公开数据集上得到了更好的去雨结果。(2)针对现有单幅图像去雨模型在去雨后图像细节恢复效果不佳的问题,本文在加入改进后的空间注意力模块的基础上,对模型进行第二点改进,加入多尺度加权融合模块,使本文所提出方法在提高了模型通用性的基础上,进一步增强图像去雨后的质量。经过进一步改进后的模型,通过多尺度加权融合模块提升模型特征提取的能力,辅助改进的空间注意力机制模块进一步增强对雨线的识别定位,在去除雨线的同时,更好地保留图像细节,提升图像生成的质量。在目前使用率最高且合成效果最逼真的公开数据集上进一步提升了模型的去雨效果,并在其他公开数据集上实现了有效去雨的同时提升了对图像细节的恢复能力,验证了本文所提出模型在提高泛化能力上以及提升去雨后图像质量上的有效性。同时在真实雨天拍摄的图像上得到了优于其他方法的去雨效果,证明了本文所提出方法具有较高的实际应用价值。