1.研究背景和意义
在许多应用中，如无人机视频监控和自动驾驶汽车，人们必须处理图像和视频。在雨天环境下采集的图片，由于雨滴的影响，致使被获取的图像可视性差，细节模糊，色彩淡化，严重影响照片质量，所以雨水就变成了图像处理中的一个伪影。许多计算机视觉系统的性能会随着这些伪影的图像的出现而降低。因此，图像去雨算法有极其重要的研究与应用意义。本课题目标是为雨天图像研究设计图像去雨算法，培养学生对科学技术研究的兴趣及研究创新能力。
图像处理主要有两种方法：图像复原和图像增强。
①相同点
都是属于图像处理范畴，通常都会建立一个最佳准则，使之产生期望结果的最佳估计。
②不同点
图像复原技术，大部分是一个客观过程，以预先确定的目标来改善图像，而且是面向退化模型的采用相反的过程进行处理以恢复出原图像。比如图像去模糊。
图像增强技术，主要是一个主观过程，基本上也是一种探索性过程，根据人类视觉系统的生理特点来设计改善图像的方法。比如对比度拉伸。
2.国内外研究现状
以往的方法大多数是对原始图像域中线性噪声进行建模，没有明确地挖掘方向特征，导致这些线性噪声子空间冗余，表达能力差。为了使线性子空间结构紧凑，本文将转换合并到图像分解模型中，这样就可以将输入图像映射到一个区域，其中线模式外观具有非常明显的低秩结构，这自然允许我们在从有噪声的图像中提取线模式条纹/条纹之前执行低秩。同时还给出一种详细的分析噪声及清晰图像之间的局部梯度和非局部领域，提出一种面向合成的全变分低秩先验图像层，从而同时容纳两种类型的噪声，解决随机噪声跟线性噪声混合在一起的问题。随着光谱或时间相关建模的流行，我们从空间变换域提供了一个新的视角。
在过去的几十年中，许多研究人员致力于解决恢复雨水的问题。一些人专注于从视频序列中恢复雨水图像，其他人将雨条消除问题视为信号分离问题，专注于从单个图像中去除雨水或依靠非局部均值滤波，虽然取得了不同程度的成功，但现有方法存在一些局限性：
bull; 由于雨条纹和背景纹理图案之间的内在重叠，大多数方法都倾向于去除非雨区域中的纹理细节，导致区域过度平滑。
bull; 雨的退化是复杂的，而以往方法中广泛使用的现有雨模型不足以覆盖真实雨图像中的一些重要因素，例如由于雨条积累而产生的大气面纱，以及不同形状或方向的条纹。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
