【自然场景去雨算法探究10000字（论文）】

自然场景去雨算法研究摘要在我们的日常生活当中经常会出现恶劣的雷雨天气，雨天场景下图片的拍摄效果和质量会大大的被降低，这对人们的观察会产生一定的影响。同时对于一些计算机图像识别系统，雨天会降低识别和检测结果的准确率。因此对在雨天拍摄的照片进行图像处理，如去除雨雾有着重要的意义，因此本文对雨天环境下图像去雨算法展开一定的研究。根据去雨数据处理的类型，去雨算法一般分为对视频处理和单个照片处理。处理效果的关键参数为去雨后，照片是否干净，是否降低了其他照片信息的质量。本文对此进行了以下几方面的研究：（1）对雨滴特征进行分析，雨滴在空中降落时是处于一种动态的运动过程，而其痕迹在拍摄到的图片中是静态的，并且是处于随机分布的状态，这就使得不能采用时域对静态图片进行检测，因此需要对雨滴的物理特征进行研究来选择合适的特征量进行雨滴的检测并去除。（2）对国内外雨滴去除算法进行研究，并选取了引导滤波、先验知识、深度学习三种算法应用到雨滴去除工作中，对三种算法的理论知识进行梳理。（3）为了验证算法的有效性，本文利用Matlab仿真环境进行算法验证，最终得到去雨仿真结果。比较主观的评价了三种算法在去雨应用中的有效性。关键词：去雨算法、图像处理、Matlab目录296511绪论 页，共N页1绪论1.1研究背景雨天是一种常见的不良天气。基于颗粒的物理性质和视觉特征，可将常见的不良天气分为稳态不良天气和动态不良天气。稳态不良天气主要包括雾、霾；动态不良天气主要包括雨、雪、沙尘暴等。稳态不良天气中的颗粒非常小（约为1~10微米），而动态不良天气中的颗粒比稳定状态下的大1000倍(约为0.1–10毫米)。[1]当这些雨雪颗粒高速下落时，其轨迹容易受到凤、生物等因素的影响，方向、强度和形状都不固定，易产生运动模糊，有时雨线甚至会遮挡背景，致使模型的建立和场景的复原变得更加复杂。当今社会计算机视觉技术飞速发展，对室内情况的计算机视觉研究已经进行得非常深入和成熟，而户外视觉系统的研究进展相对缓慢且富有挑战性。户外视觉得户外视觉系统逐渐大量运用在交通、军事以及安全监控等领域，在图像增强、目标识别、检测、监控和追踪等领域还有极大的前景。雨滴有可能妨碍户外计算机视觉系统的正常工作，雨滴会覆盖掉户外计算机视觉系统中图像原本的细节信息和特征信息，降低图像的可视效果。因此，对户外视觉系统来说，拥有足够强大的能够排除不良天气影响的算法就显得尤为必要。图像去雨算法重要的研究价值和应用价值以及其挑战性也引起了国内外学者的广泛关注。[2][3]目前的去除雨雪主流方法是软件算法，其实早在2005年，Grag等人就提出了通过适当设置摄像机的参数，如曝光时间、光圈等的方法，在录制视频时去除雨水[4]的硬件方法。但是这种方法局限性很大，大雨情况下画质的清晰度仍然被严重破坏，许多非专业摄像机的参数还有可能无法调整，而且这种方法在户外视觉系统中不适用。所以学者们对硬件法的研究很少。而在软件方面，国内外的研究成果十分丰富。去雨算法可以简单的分为基于视频的图像去雨算法和单幅图像去雨算法两大类。因为可以利用帧与帧之间的位置和时间信息，基于视频的图像去雨算法在雨滴的检测和去除的速度和难易上较之单幅图像去雨算法有着天然的优势。而单幅图像去雨算法相对的更具挑战性。这两种方法的相似之处在于，最早的方法大部分注重充分利用降雨和背景场景中那些先验知识，采用模型驱动的方法，编码优化问题，再对此设计合理的算法来求解。最近提出的方法不同于以往，多是设计特定的网络结构，采用特定的数据驱动的方式深入学习网络参数，从而去除复杂情况下的雨水。这些方法大多对雨水检测和去除的一些方面做出了有见地的改进措施，在具体情况下具有适用性和优越性[5]。单幅图像去雨技术的发展是去雨技术发展的强大推动力。它相对于视频图像去雨算法有更广的适用性和更多的应用场景，它不但可以去除单幅图像中的雨水，还可以应用在视频中。传统单幅图像去雨算法在鲁棒性和准确性上存在相当的不足，近年来的许多算法大大提升了鲁棒性和准确性（后文将分类列举分析），处理速度不断加快，经济上和适应性上也逐渐得到了平衡，因此它们在简单图像的去雨上效果优良。但是面对更复杂的雨雾天气，局部区域的不平滑以及背景细节的缺失仍是普遍的，需要完善的问题。1.2研究意义计算机图像处理是人工智能设备中的重要组成部分，因此也受到众多学者的关注。但是，在恶劣的气象状况下采集得到的图像经常会出现特征信息损坏、图像的细节变得模糊、目标被遮挡等问题，这些都会影响图片的质量，制约着计算机视觉系统在视频监控、遥感成像、图像分割等领域中的实际应用。高质量的图像拥有更加丰富的信息，因此，对受干扰的图像通过一定的图像处理技术进行修复是非常重要的。恶劣气象状况主要包括雾霾、雨、雪等。阴雨天气中降落的雨滴会遮挡目标图像,同时雨滴降落时的雨痕也会造成图像细节和特征的丢失，降低户外拍摄图像的质量。这一系列问题将不利于无人驾驶、智能监控等户外计算机视觉系统做出正确的决策。而对雨天拍摄的图像通过一定的算法去除雨滴和雨痕能够有效地缓解上述的不利影响。图像去雨的目的就是把图像中有雨分量滤除，从而使得图像有利于人们更深层次的分析图像。例如应用目标检测算法对车辆进行检测，这个应用的痛点问题是远距离车辆的检测，它要求采集到的图像清晰度很高，但是在雨天气的情况下，拍摄到的远距离车辆图片中的信息会被雨线遮挡或者模糊的现象，这严重影响了算法的检测准确率。在户外视觉系统中，阴雨环境中采集的图像受到雨线的遮挡，从而使得细节信息不容易被辨别，会导致监控中跟踪的嫌疑人面部信息和服装等外在信息的识别难度变大。总而言之，研究去雨算法有利于提高处理雨天图像的准确度，增强计算机检测设备的实用性。对单幅图像去雨相对于对视频进行处理减少了视频连续帧间的冗余信息，对单幅图像去雨处理进行研究有着更大的挑战。图像去雨算法作为图像检测等设备决策前的重要预处理环节，处理后的图片能够提供更加准确的信息。因此，对图像进行去雨算法研究在具有十分重要的意义2去雨算法研究单幅图像去雨算法的目标是根据原始的有雨图像，结合图像中雨线的特征，估计得到重建的去雨图像，并且使得去雨图像尽量接近无雨状态的原始图像。一张有雨图像可以分解为无雨的背景层和雨层两个部分，所以有雨图像可以看作背景层和雨层的线性叠加，用物理模型可表示为：其中，O为有雨图像，B为背景层，R为雨层。去雨算法的目标就是输入有雨图像O，输出背景层B，将背景层B和雨层R分离开来。其中，因为雨层R是未知的，所以从有雨图像到无雨图像的映射有多种可行解。3.1基于引导滤波的去雨算法在引导滤波器之前，双边滤波使用较为广泛，引导滤波是一种同时考虑了强度与像素空间差异的滤波器，具有能够保持图像边缘的优良特性。双边滤波器，它只是在原有高斯函数的基础上增加加了一项，I是像素的强度值，因此在强度差距较大的地方（边缘），图片权重会减小，滤波效应也就变小。在像素强度变化不大的区域，双边滤波滤波效果接近高斯滤波器，而在图像边缘等强度梯度较大的地方，可以保持梯度。引导滤波与双边滤波最大的相似之处，就是都具有保持边缘特性的优势。在引导滤波的模型中，使用到了局部线性模型，即在某函数上一点和其相邻部分点构成线性关系。当需要计算求解该函数上某一点的值时，仅仅计算所有包含了该点的线性函数的值并且计算平均值。如果将图像认为是一个无法写出解析表达式二维函数，假设该函数的输出与输入在二维窗口内满足一定的线性关系时，是输出像素的值，是输入图像的值，是像素索引，是窗口中心位于时该线性函数的系数。输入图像可以不是待滤波的图像本身，也可以是其他图像即引导图像。在计算每个窗口的线性系数时，我们可以发现一个像素被多个窗口包含时，每个像素都由多个线性函数所描述。因此，要具体求某一点的输出值时，只需将所有包含该点的线性函数值平均即可。把引导滤波当做边缘保持滤波器的时候，这时的滤波器没有任何作用，将输入原封不动的输出。在像素强度变化小的区域（或单色区域），进行加权均值滤波；而在变化大的区域，对图像的滤波效果很弱，有利于保持边缘。从滤波效果的角度考虑，引导滤波在细节处理上较好。引导滤波可以写出时间复杂度与窗口大小无关的算法。引导图像滤波作为一种边缘平滑滤波器，能够实现图像边缘的平滑、细节增强和图像融合去噪等功能。它的原理是使用一幅引导图像对输入图像进行滤波处理，输出的结果仍保留输入图像整体特征，而且能充分获取引导图像的变化细节。其工作原理图如下图所示：Fu等人提出了将有雨图像X和无雨图像Y分为低频部分（基本层）和高频部分（雨纹细节层）的叠加，然后利用滤波器分解的模型。用base表示基本层，用detail表示雨纹细节层：X=Xbase+Xdetail，Y=Ybase+Ydetail。该模型的缺陷是去雨操作仅限于细节层中，基本层上的雨痕得不到检测和去除，并且在图像的分解过程中信息丢失率大。HE等人在文献中给出了引导图滤波的定义：Qi=其中，I表示引导图像(guidedImage)，P表示输入的待滤波图像，Q表示滤波后的输出图像，W表示根据引导图I确定的权重值。W的值可由下式得出：3Wij(I)=其中μk表示窗口内像素点的均值，Ii和Ij指的是相邻两个像素点的值，σk表示窗口内像素点的方差，而ε是一个惩罚值。Ii和Ij在边界两侧时，(Ii-μk)和(Ij-μk)异号，反之则同号。同号时的权重值是远远大于异号时的权重值的，因而处于平坦区域的像素会被赋予较大的权重，平滑效果效果更明显，处于边界两侧的像素则与之相反，会被赋予较小的权重，平滑效果较弱，起到保持边界的效果。2012年xu等人研究出一种使用引导滤波器的单幅图像去雨算法。首先，他们利用雨水的颜色特性得到了粗糙的无雨图像（引导图像），而后再使用该粗糙无雨图像作为引导图，对有雨图像进行引导滤波，从而获得去雨图像。而后他们又在文献[14]中利用雨的亮度特性来结合引导图像，从而得到了更好的视觉效果。相关提出了一种基于多重引导滤波进行多阶段修正的单幅图像去雨算法。同样是首先通过引导滤波器获得有雨图像的低频部分（Lowfrequencypart，LFP）和高频部分（Highfrequencypart，HFP），不同的是作者对低频部分进行了边缘增强，然后将其作为引导图对高频部分进行了第二次引导滤波，然后合并低频部分与高频部分获得粗糙的去雨图像，最后将有雨图像与粗糙的去雨图像合并，取结果中的最小值作为最终的去雨图像。雨线垂直下落时通常在图片上呈细长的椭圆形。kim等人提出了一种和回归方法，通过分析每个像素的椭圆核的旋转角度和纵横比来确定雨线区域，然后对检测到的区域进行非局部均值滤波实现去雨。3.2基于先验知识的去雨算法基于先验知识最常用的几种去雨算法：非均值滤波，稀疏表示，图像分解，低秩模型，以及高斯混合模型。Kangetal.提出了一种基于含雨图像的雨移除框架，将去雨任务转换为基于形态分量分析的图像分解问题，同时双边滤波器将图像分解为高频和低频两部分，然后利用字典学习或者稀疏编码算法，将图像中的高频含量分解为雨分量和非雨分量。Kimetal.提出通过分析雨滴每个像素位置的旋转角与长宽比的方法来检测雨滴区域，其次使用自适应算法来对每个非局部邻近像素及其权值进行选择。最后针对检测到的雨条纹区域，使用非局部均值滤波算法对其进行滤除。Luoetal.提出了一种基于字典学习算法的图像去雨算法。为了逼近非雨层和雨层，他们使用一个具有强排斥性的可学习的字典，在非线性组合中，这个判别稀疏编码将图像精准的分解为两层。稀疏近似块非常高两层的图像代码在一个学习字典中学习，而且有很强的相互排他性产权和歧视的稀疏编码导致精确的两层分离的非线性组合。3.3基于深度学习（Deeplearning）的去雨算法深度学习算法起源于学者对人工神经网络的研究。深度学习算法使用组合低层特征来形成更加抽象的高层表示属性类别和特征，从而能够发现数据的分布式表示特征。深度学习算法与神经网络之间有相似之处，也有部分差异。相同之处在于深度学习算法采用了神经网络相似的分层结构，系统由包括输入层、隐层、输出层组成的三层网络，有且仅有相邻层节点之间有一定的联系，同一层和跨层节点之间并无直接的关联，每一层都可以当作是一个逻辑回归模型；这种类型的分层结构接近于人体的大脑组成结构。深度学习算法为多组网络堆栈而成的神经网络模型，利用Deeplearning进行图像处理时，首要的任务是进行网络训练，包括训练过程和反向微调过程。训练过程采用无监督学习，逐层对进行训练，保证训练出的特征向量能够具有很好的代表性。该训练过程能为整个Deeplearning网络提供良好的权重初值。然后，再通过误差反向传播算法对参数进行微调，使模型收敛到最优点。图2为由3层组成的网络结构，每层中的(如)是均由一个可见层和一个隐含层组成，层内部的神经元无直接连接，层之间的神经元全部连接。为连接观测数据的可见层，为隐含层，可以用来提取特征向量，为可见层与隐含层的连接权重。网络中神经元只有未激活、激活两种状态，通常用二进制0和1表示。RBM是一种基于能量函数的模型，用vi表示可见层神经元i的状态，对应偏置值为，用表示隐含层神经元的状态，对应的偏置值为，神经元和接权重为，状态确定的系统所具有的能量可表示为（1）式1中：(wij,ai,bj)为RBM参数；分别为可见层与隐含层神经元数量。由能量函数，可得到的联合概率分布为（2）式2中，为归一化因子。对于数量为的训练样本，参数通过学习样本的最大对数似然函数得到，即：（3）式3中，为观测数据的似然函数。由于层内各神经元激活状态是处于相互独立的状台，所以根据可见层神经元的状态来计算隐含层第个神经元，激活的概率为：（4）由隐含层重建可见层第i神经元，激活概率为（5）因此，采用随机梯度上升法求解对数似然函数最大值，各个参数变化量的计算准则为：（6）式中：为原始观测数据模型定义的分布；为重构后模型定义的分布。考虑学习率的参数更新准则为：（7）深度学习算法在图像处理的应用当中具有着优越的性能，尤其是对于卷积神经网络，其局部权值共享的学习机制应用到图像处理，能够从诸多的学习数据中输出输入数据与输入的数据之间的关联，而不用形成一个准确的数学表达关系式。只需要用样本对神经网络学习机制进行一定训练，就能形成一种点对点的映射关系。卷积神经网络用一种非常隐式的方法对输入数据进行数据的特征提取和表达。目前深度学习的算法机制已被广泛的应用到单张图片的去雨效果显示当中，而且效果显著。其中比较显著的有，Fu等人提出了能够使用卷积神经网络的去雨学习网络结构DerainNET,，方法如下图所示。这种算法首先采用了导向滤波算法将图片分解为Ibase和Idetail，其中Ibase为图片中的低频含量，Idetail为图片中的高频含量，整张图片由这两个部分进行分解。在算法实现中将基础层，即低频含量进行保留，而降细节层，即高频含量作为卷积深度学习网络的输入数据类型。学习网络一共包含三层，第一层一共采用了512张大小为16×16ju卷积核对输入的数据来进行特征的选取，从而得到高维度的特征向量。在公式中，W1为这一层的权重，b1位偏置，符号代表卷积运算，为激活函数，算法中采用的激活函数为relu。网络结构中的第二层为映射层，采用512个11的卷积核，从而得到第二层的输出为：其中W2为第二层的权重，b2位偏置。网络结构总的第三层采用三个88的卷积核用来重建图片去雨以后的细节层图像：其中W3为第二层的权重，b3位偏置。最后把输出的图像和原来最开始进入第一层前保留的基础层低频含量进行简单叠加就能够恢复到原来的图像：这种算法通过对基础层中的低频含量和处理后的高频含量进行图像增强技术，进一步提高系统处理后的视觉体验。卷积神经网络深度学习按照这种对图像的处理方法，经过对大量的数据图片进行处理后学习图像的特征，实现含有雨滴的低频成分和无雨的高频成分图像之间的非线性的映像。但在实际的生活中，如此多的训练样本数据很难获取，由于在光照和外界环境的作用之下，对于同一场景，拍摄有雨和没有雨的环境下比较困难。针对这一问题Fu等学者提出了采用人工合成的方式，先在无雨天气下搜寻比较清晰的照片，再利用PS技术对雨滴进行人工合成，从而达到构建有雨效果的图片库，这种人工合成方法还可以人为的构建雨滴的不同方向、大小。为了提升训练的效果和速度，在进行训练时对采集的图片库中随机的选择大小为6464的成块图像当做训练集。这种基于深度学习算法的静态图片处理实现了点对点的图像去雨，利用训练形成的映射关系直接可以将输入的由于图像直接输出为无雨状态的图片，极大的提升了后期图像处理的速度和效果，除了前期训练算法所消耗的时间较多，在后期相对于传统的去雨算法省略了计算的步骤，运行速度更加快速，图片处理效果更好。3雨滴相关特征参数2.1雨滴的几何特性受空气阻力以及雨滴表面张力等原因影响，雨滴的直径在0.1~3.0nm之间[6]。文献[1]通过实验数据分析给出了雨滴的尺寸分布公式：Nd=N0e-Δd （1-1）其中，N0为d=0时的雨滴尺寸分布，取值0.08cm-4（单位为mm-1m-3）；R为降雨率（nmhr-1）；参数Δ=41R-0.21cm-1，d为雨滴直径（单位为mm），该式子体现了雨滴的直径与分布密度之间的关系。雨滴的形状随雨滴直径增加，逐渐椭圆化。雨滴半径越小，雨滴越接近球体；雨滴半径越大，雨滴越接近扁球体。BEARD等人在文献[7]中给出了雨滴的形状公式：式中，ａ为雨滴未失真时的球半径；θ为极角；cn为雨滴形状系数；ｒ(θ)为θ方向的极径。图1.1雨滴形态与直径关系2.2雨滴的颜色特性Garg和Nayar在文献[8]中发现，球形雨滴折射的光线范围很广（近165°视角），而反射光线范围很小（仅占6%）。所以图像中雨滴的投影比它的背景亮很多。文献[9]对此进行了进一步研究，发现红、绿、蓝通道强度的增加取决于背景场景。由于波长的不同，蓝光比红光具有更大的折射率和更宽的视场(fieldofview，FOV)。因此，雨滴应该折射更多来自背景的蓝光。此外，R、G和B通道的变化量，即ΔR、ΔG和ΔB，与R、G和B通道的实际强度有关。2.3雨滴的亮度特性高速下降的雨滴在图片上会产生运动模糊，连串的运动模糊会构成雨线，降低图片质量。被雨线覆盖的像素的亮度同时受到雨线和背景的影响，可以假设照相机的曝光时间为T，雨滴在这一段时间内覆盖掉周边某一像素的时间为，。图像上该像素在曝光时间Ｔ内的雨线亮度的值可由如下公式得出：[1]，Ibr=dt+dt其中为图片有雨滴覆盖时的瞬时雨滴的亮度；是图片无雨滴覆盖时的瞬时背景的亮度。在无雨滴覆盖时，设背景的平均亮度为，为有雨滴覆盖的时间τ内雨滴的平均亮度，Ib=T为像素不被雨滴覆盖时的亮度。Ir=T为雨滴在T时间内的亮度。设像素因雨滴覆盖所产生的亮度变化为ΔI，令a=，则Ibr和ΔI可用如下公式表示：Ibr=aIr+（1－a）Ib，ΔI=Ibr－Ib=aIr－aIb。可见像素在曝光时间Ｔ内的雨线亮度Ibr是同时受到雨滴和背景亮度影响的。4基于引导滤波的去雨算法Matlab仿真研究4.1实验数据集因为难以在自然环境中的同一个角度分别采集有雨和无雨的图像，所以本文选择采用了如下合成数据集进行训练和测试。其中spa-data是一个测试集，包含了一千张有雨的图像和与之相对应的无雨的图像。rain100L包含了一个训练集和一个测试集，训练集包含了两百张有雨图片和与之相对应的无雨的图片，测试集包含了一百张有雨的图片和与之相对应的无雨的图片。4.2实验环境及配置本文使用的CPU运行系统为Windows10（64位），显卡为NVIDIAGeforce920M，4GRAM的PC平台。使用MatlabR2018a对几种不同的去雨算法进行了广泛的测试。下表3.1所示为仿真所需具体配置。表4.1：实验平台与仿真软件训练测试操作系统Ubuntu14.04Windows7CPUCorei3Corei3GPUGTX750Ti/GTX750Ti内存8GB4GB仿真语言与框架Matlab+macaffeMatlab+macaffe数据制作与评估MatlabMatlab4.3评价标准本文采用的图像质量评价标准为SSIM和PSNR，是现有图像去雨工作中的主流图像质量评价标准。4.3.1峰值信噪比（PeakSignaltoNoiseRatio，PSNR）信噪比（SignaltoNoiseRatio，SNR）是用来衡量降质后图像的一种重要指标。信噪比越大，则去雨图像和有雨图像相似度越大，也即是去雨效果越差；反之数值越小，说明去雨效果越好。信噪比的表达式如下：SNR=10log （3-1）峰值信噪比（PeakSignaltoNoiseRatio，PSNR）是信噪比的另外一种形式，峰值信噪比与信噪比的作用相近，数值越大，则复原的图像质量越差；反之数值越小，则复原的图像质量越好。峰值信噪比的表达式如下：PSNR=10log （3-2）信噪比和峰值信噪比仅仅体现出了原始图像与复原图像的相似程度，而信噪比改善因子（ImprovedSignaltoNoiseRatio，ISNR）可以检验复原图像的质量是否改善以及改善的程度。当ISNR<0时，说明图像复原后质量并未得到改善；当ISNR>0时，其数值越大，说明算法对复原图像质量的改善程度越大，反之越小。信噪比改善因子的表达式如下：ISNR=10log（3-3）4.3.2结构相似性（StructuralSimilarityIndex，SSIM）结构相似度是基于人类视觉系统（HVS）提出的一种衡量两幅图像在结构和属性上相似度的指标，用于计算图像结构相似度的参考图像也即原始图像I(i,j)与待评测图像即复原图像g(i,j)二者须满足如下三个条件：（1）有界性。参考图像I(i,j)和待评测图像g(i,j)均为有界图像。（2）唯一最大性。参考图像I(i,j)和待评测图像g(i,j)之间必定存在不同，仅当结构相似度为1时二者才完全相同。（3）对称性。将参考图像I(i,j)和待评测图像g(i,j)互换，结构相似度的值不变。结构相似度的测试流程图如下：图3.雨滴形态与直径关系由流程图可知，结构相似度是由亮度、对比度和结构对比度三者结合而来的，其表达式如下：SSIM(x,y)=[LCF(x,y)]α[CCF(x,y)]β[SCF(x,y)]γ（3-4）其中参数α>0为亮度函数在结构相似度中所占权重，β>0为对比度函数在结构相似度中所占权重，γ>0为结构对比度函数在结构相似度中所占权重。LCF(x,y)为亮度函数，可由如下表达式得出：（3-5）其中μx表示参考图像I(i,j)的均值，μy表示待评测图像g(i,j)的均值，C1为对比度，C1=K1L（K1为常数且K1≤1，L为图像灰度值的最大范围，一般取值为255。）CCF(x,y)为对比度函数，可由如下表达式得出：（3-6）其中σx表示参考图像I(i,j)的方差，σy表示待评测图像g(i,j)的方差，C2为对比度，C2=（K2L）2（K2为常数并且K2≤1。）SCF(x,y)为结构对比度函数，可由如下表达式得出：SCF(x,y)=（3-7）其中σxy表示参考图像I(i,j)和待评测图像g(i,j)的协方差，C3为常数，一般来说C3的取值为C2的二分之一。将公式（3-5）（3-6）（3-7）反带入公式（3-4），可得到公式（3-8）SSIM(x,y)=（3-8）SSIM的值为正数，取值范围在[0,1]之间，SSIM=0，说明两张图片完全不同，反之SSIM=1，说明两张图片完全相同。4.4仿真结果与分析5总结与展望在降雨环境下，受雨滴的影响容易降低图片拍摄的清晰度和质量，使得户外的计算机监测系统，比如安全监控系统、交通部门违章拍摄镜头等，降雨降低了这些系统对于照片判断的准确率。针对于此问题，近些年来对雷雨气象环境环境下拍照图像的去雨处理算法成为热门的研究。本文针对含雨图像进行去雨过程算法进行概述，并对所研究的算法进行了Matlab仿真研究，主要工作包括：（1）简要概括介绍了雨滴的物理等相关特性，去雨过程中可以将雨滴和背景照片两部分叠加组成。雨滴由于受到光的折射等影响，其亮度在像素点上一般会高于背景，含雨的图片中的雨线一般会表现出比较亮的白色，并且具有一定的稀疏性，反之，图片背景部分比较光滑。因此通过这一特征可以利用背景所体现的信息来恢复被雨滴或雨线所遮挡图片部分。（2）针对不同的研究算法，本文主要介绍研究了引导滤波算法、先验知识算法以及深度学习算法三种算法，对其理论知识进行了简单的介绍。并通过配置电脑系统利用Matlab对三种算法进行仿真实现，对比不同的去雨算法的效果，从而可以验证算法的有效性。本文很对含雨图像去雨展开研究，但是在研究过程中发现雨天图像去雨后的图片与图像的清晰化有一定的矛盾，所以目前的去雨算法仍具有一定的不完善性。同时算法在实际的应用设备中使用时存在种种制约条件和不确定因素，需要根据实际的工作环境对算法进行一定的改进。对此以下几个方面可以作为将来的研究方向：（1）基于引导滤波的图像去雨算法，虽然去雨效果良好，同时也存在一定的问题，如当背景图像中存在一些细微的信息和雨滴比较大的时候，去雨后的效果不理想。可以对其改善使算法能够应用在各种情况复杂背景图像下实现图像的去雨任务。（2）在频域可根据雨滴的特征进行雨痕的提出，尽管可以对空域中非雨痕背景部分进行一定的保留。但是在频域中的雨痕难免有一些与图像背景相似的信息，在进行滤波处理时容易也将这部分内容去除掉，使得图像背景与雨痕相似的部分出现一定程度的失真，丢失图像信息。因此如何准确的对去雨过程中雨痕的精准提出也可以作为接下来工作的重点内容。参考文献GARGK,NAYARSK.Visionandrain[J].InternationalJournalofComputerVision,2007,75(1):3-27.徐波,朱青松,熊艳海.视频图像去雨技术研究前沿[J].中国科技论文,2015,10(8):916-927.周浦成,周远,韩裕生.视频图像去雨技术研究进展[A].图学学报,2017,38(5):629-646.K.Garg,S.K.Nayar.Whendoesacameraseerain?ProceedingsofIEEEInternationalConferenceonImageProcessing,1999.406-409PMARSHALLJS,PALMERWMK.Thedistributionofraindropswithsizes[J].JournalofMeteorology,1948,5(2):165-166.BEARDKV,CHUANGC.Anewmodelfortheequilibriumshapeofraindrops[J].JournaloftheAtmosphericSciences,1987,44(11):1509-1524..K.GargandS.K.Nayar,"Detectionandremovalofrainfromvide