雨水的性质

1.几何性质： 在雨滴下落时,会达到一个恒定的速度,称为终端速度,该速度的大小与雨滴的半径和空气密度相关。 2.亮度特性： 雨滴可以看作是折射和反射光线的光学透镜,当雨滴穿过一个像素时,其图像Ir的强度比背景亮。 3.色度学特性： R,G,B通道强度的增加依赖于背景场景,红绿蓝三种光的视角场大抵相同。 4.时空特性： 在由静止摄像机拍摄的具有静止场景的视频中,有时被雨覆盖的像素强度直方图呈现两个峰值,一个为背景强度分布，另一个为雨的强度分布。

视频去雨的方法

### 去雨算法主要分为四类:基于时域的算法、基于频域的算法、基于低秩和稀疏性的算法以及基于深度学习的算法。前三个类别遵循手工处理输出，因此被视为模型驱动的方法，而后一个类别遵循数据驱动的方式。 1.基于时域的方法： 使用时空相关性模型来捕获雨的动态,并使用基于物理的运动模糊模型来解释雨的光度。 2.基于频域的方法： 使用模糊高斯模型来近似雨滴产生的模糊效果，并使用频域滤波器来降低雨滴的能见度。但在雨频率不整齐时往往存在误差。 3.基于低秩性和稀疏性的方法： 利用光度和色彩约束进行雨检测，然后在像素上应用去雨滤波器，使其融合动态特性和运动遮挡线索。但是不能很好拟合相机抖动。 4.基于深度学习的方法： 提出了一种用于视频雨线去除的卷积神经网络( CNN )框架，可以处理带有不透明雨线遮挡的暴雨。在这项工作中，超像素被用作具有高度复杂和动态场景的视频中内容对齐和遮挡去除的基本处理单元。

单幅图像去雨方法

由于可用信息较少，从单个图像中去除雨更具有挑战性。一般来说，现有的单幅图像去雨方法可以分为三类：基于滤波器、基于先验和基于深度学习的方法。 1.基于滤波器的方法： 利用雨线的色度特性，首先获得粗略的无雨图像，然后对其进行滤波得到去雨图像，为了得到更好的视觉质量，结合了雨线的亮度特征，对引导图像进行了修正。 2.基于先验的方法 通过利用某些预先知道的信息来消除图像中的雨滴，以实现改善图像质量的目的。 3.基于深度学习的方法： 应用了深度神经网络来提取和学习图像中雨滴的特征信息，并根据学习到的模型对图像进行去雨处理。更加高效、准确、泛化能力强，同时可以自适应地处理各种不同场景和多种形式的降雨。