在现实生活中的各个场景,比如智能小区的安全监视、犯罪目标的目标追踪、错综交汇的交通监控等,需要从雨雾、风雪等复杂变化的自然环境中获得图像,而此时获得的图像往往是低质量图像,且会丢失我们需要的重要信息。早期对有雨图像的处理,只是依靠物理和数学的建模方法分解图片,找出雨线的图像特征。这种方法得到的去雨图片仍然比较模糊,而且人为因素较多,算法复杂,效果不好。后来,人们尝试着引入深度神经网络技术来分解有雨图像的低频和高频信息。比较前者,有雨图像的去雨效果有了提升。但这种方法加入了大量的神经单元,存在参数冗余,运算速度缓慢等问题。如何修复此类图像是摆在各个研究人员面前的一道难题,因此,开展对自然场景的图像去雨水问题研究具有非常高的实际应用价值。针对上述问题,本文以卷积神经网络(Convolutional Neural Network,CNN)为技术手段,设计了一种基于深度学习Res Net技术的图像去雨水实现方法。研究内容如下:(1)提出一种深度学习的残差密集去雨网络连接方法,解决有雨图像去雨后图片亮度过高和噪声过大等问题。这种连接方式借鉴了残差负映射的思想,直接学习高清晰图像中的高频层与带雨水图像上高频层之间的残差,有效降低了网络学习的难度。实验结果分析表明,在公开的Rain-100L数据集上,峰值信噪比和结构相似度分别为35.68db和0.9735.在其他的数据集上,本文方法的优势同样明显。(2)建立一种简洁的密集型网络连接模块,解决图像训练过程中运算速度缓慢的问题。通过简化网络模块和设计较少的网络参数,本文设计的算法收敛快,易训练。在GPU上的测算速度表明,相对于一张384x512的图片,本文算法的运行时间大约是注重优化算法流程的DSC方法的1.3%.比同样是深度学习的DDN方法快了1.9秒。