基于编码—解码结构的多阶段图像去雨滴方法

谷坤源 贾宗璞 赵珊 庞晓艳 张鹏

摘 要：针对附着镜头或玻璃表面的雨滴会造成图像退化的问题，提出了一种多阶段渐进式图像去雨滴方法。整个去雨滴过程被分解为多个更易于实现的阶段。首先在每个阶段设计多尺度融合的编码—解码网络以学习雨滴特征，通过构建带有门控循环单元的多尺度扩张卷积来细化内部传递的空间特征。然后引入无降维的通道注意力机制对特定空间特征下的通道信息进行提取。最后为加强每个阶段各部分之间的信息交换，采用跨阶段特征融合机制，在每个阶段的编码—解码网络之间加入横向连接，以实现特征信息的横向传递。在每个阶段之间加入监督注意模块，以增强不同阶段之间的信息传递，最终渐进地实现雨滴的去除。实验表明该方法能够有效地去除雨滴。

关键词：图像去雨滴；深度学习；编码—解码结构；多尺度扩张卷积；通道注意力机制

中图分类号：TP391   文献标志码：A

文章编号：1001-3695（2023）09-050-2875-06

doi：10.19734/j.issn.1001-3695.2022.11.0808

Multi-stage image raindrop removal via encoder-decoder network

Gu Kunyuan，Jia Zongpu，Zhao Shan，Pang Xiaoyan，Zhang Peng

（School of Computer Science & Technology，Henan Polytechnic University，Jiaozuo Henan 454000，China）

Abstract：For the problem of image degradation caused by raindrops attached to the lens or glass surface，this paper proposed a multi-stage progressive image raindrop removal method which divides the raindrop removal process into multiple stages to easily implement.Firstly，

it designed

the multi-scale fused encoder-decoder network at each stage to learn raindrop features，and constructed multi-scale dilated convolutions with gated recurrent units to refine the internally transferred spatial features.In addition，it introduced the no dimensionality reduction channel attention module to extract channel information under specific spatial features.Finally，this paper adopted cross-stage feature fusion mechanism to strengthen the information exchange between the parts of each stage，and added horizontal connections between the encoder-decoder networks in each stage to realize the horizontal transfer of feature information.And it added a supervised attention module to enhance the information transmission between different stages，

and progressively achieved the raindrop removal.Experiments show that the proposed method can effectively remove raindrops.

Key words：image raindrop removal；deep learning； encoder-decoder network；multi-scale dilated convolutions；channel attention module0 引言

雨滴會使拍摄的图像退化，进而对高级别的户外视觉任务造成影响。因此，如何在去除图像中雨滴的同时保留完整的图像背景信息，一直是计算机视觉研究的重点之一［1］。单幅图像去雨的难点主要在于没有时空的特征信息，被雨滴覆盖的区域未知，且封闭未知区域的信息丢失。其基于数据驱动的方法主要以深度学习为代表，通过所构建的神经网络学习有雨图像与无雨图像之间的映射关系。近年来，计算机算力的不断提升助力了深度学习的发展，基于深度学习的图像去雨方法的性能也得到显著提升。最初，Eigen等人［2］构建了一个较为简单的三层神经网络，以学习成对的雨滴退化图像和无雨图像。由于网络容量有限，其只能处理相对稀疏和较小的雨滴以及污垢。Qian等人首先尝试采用Pix2Pix［3］的网络架构去除图像中的雨滴。由于该方法是一个通用映射，并不是专门针对图像中雨滴的去除工作，实验结果并不能令人满意。之后，Qian等人［4］第一次将生成对抗网络应用于雨滴的去除上，提出了AttentionGAN。虽然在修复的雨滴区域上，生成的去雨图像在纹理上看上去更加真实，但是在其他区域并不能很好地保留图像原有的真实信息。

随着深度学习技术的进步，许多应用于图像的网络模块和功能模块被开发出来，包括递归残差学习［5］、扩展卷积［6］、注意力机制［7，8］、编码器—解码器模块［9，10］等。结合这些模块的优点，Chen等人［11］采用扩展卷积和门控网络的方法建立了门控上下文聚合网络，提升了对模糊图像的恢复能力。Liu等人［8］

提出基于成操作的双残差网络，通过组合不同的双残差模块，重复执行具有大尺寸和小尺寸内核的成对卷积，以实现图像修复。Chen等人［12］在深度学习网络中引入反馈机制，并将低质量的图像特征替换为高质量的图像特征。与传统的方法［13］相比，基于卷积神经网络的方法取得了更好的去雨效果，性能上的增益主要归因于其模型设计［14］，但是容易出现雨滴未去除干净或背景纹理信息丢失的情况。相比之下，多阶段的网络在去除图片上复杂雨滴的任务中比单阶段的网络更加有效。现有的多阶段网络有的采用编码—解码的网络模块，Zamir等人［15］以此为基础构建了多阶段渐进式图像恢复网络，虽然在图像去噪的其他方面较为优秀，但是并不能有效地去除图像中的雨滴。说明该模块虽然在编码多尺度的上下文信息方面有效，但在保存空间图像细节方面的能力较弱，因此改进其通道注意力机制具有必要性［16，17］。有的网络采用单尺度的模块，Jiang等人［18］提出多尺度渐进融合的多阶段网络，每个阶段获得此尺度下较为准确的空间信息。首先在单一尺度下去除雨滴，然后将去雨后的结果进行融合。由于雨滴的特征复杂，仅在三个尺度下无法对所有雨滴的特征信息进行学习，其去雨后的背景信息较为模糊。

针对上述问题，本文在多阶段的网络中结合这两种设计，逐阶段渐进地去除图像中的雨滴。在多个尺度中嵌入所构建的通道注意力模块，提升网络对于雨滴特征的关注。加强不同阶段网络之间的信息传递，既建立了从前期到后期传递中间特征的机制，又在每个阶段的末端增强学习到的雨滴特征。前者可以保留编码—解码模块所学习到的上下文特征，后者可以将关于雨滴的特征信息提供给下一阶段。

1 本文方法

1.1 网络总体结构

针对复杂场景下的雨滴，本文提出了由三个阶段构成的多阶段渐进式图像去雨滴网络（multi-stage progressive image raindrop removal net，MSRRNet），分阶段渐进地去除图像中的雨滴。如图1所示，每个阶段均以多尺度融合的编码—解码网络（multi-scale fused encoder-decoder network，MF-UNet）为核心，图像经初步特征细化后进入编码—解码结构，在编码—解码网络的U形连接结构中，设计了带有门控循环单元的多尺度扩张卷积作为特征细化模块（feature refinement module，FRM），通过学习图像中雨滴的空間细节，生成雨滴特征图。在多阶段网络中，雨图的每个尺度下均级联无降维的通道注意力模块（nodimensionality reduction channel attention module，NRCA），以学习该尺度对应的高等级上下文信息。在每两个阶段之间加入监督注意模块（supervised attention module，SAM）［15］，在真实图像的监督下，网络将前一阶段的特征图传递到下一阶段之前，会重新缩放前一阶段的特征图。此外，在编码—解码结构网络之间还引入了特征传递模块（feature transfer module，FTM），用前一阶段编码—解码结构学习的多尺度上下文特征巩固后一阶段网络学习到的特征。

网络的三个阶段均由含雨滴图片作为输入，不同的是，采用了多尺度层次结构。输入图片前将图片分割为不重叠的多个尺度，将等分为四部分的图片作为第一阶段的输入，将等分为两部分的图片作为第二阶段的输入，原始图像则应用于第三阶段。在前两个阶段中，多尺度的图片经卷积初步细化特征后传入MF-UNet结构，在多尺度融合的编码—解码网络中学习雨滴特征，并将图片在空间维度上两两拼接。经过监督注意模块后与下一个阶段的输入图片聚合，以增强其雨滴特征，便于下一阶段网络的学习。此外，在MF-UNet结构学习雨滴的特征后，利用特征传递模块将参数与下一阶段共享，以加强网络的信息交流。在第三阶段，本文通过级联多个无降维的通道注意力模块NRCA的方式，引入跳跃连接，如图2所示，构成了特征重建模块（feature reconstruction module，RM），对整个多阶段渐进网络学习的特征进行重组，以输出最终的清晰图片。

1.2 多尺度融合的编码—解码网络（MF-UNet）

为了充分提取不同形状雨滴的特征，本文设计了多尺度融合的编码—解码网络。网络基于标准的U-Net结构，分为编码部分和解码部分，编码部分采用下采样的操作获取多尺度的图像信息，解码部分对多尺度的图像采用上采样的操作以恢复图像原有的分辨率。为了进一步提高网络学习多尺度特征的能力，本文通过融合多尺度扩张卷积、无降维的通道注意力机制和门控循环单元，构建了特征细化模块。在编码—解码网络跳跃连接中的特征细化模块能够有效减少特征传递过程中的损失。图片在每次下采样操作之后，会经过特征细化模块再与上采样部分融合，雨滴的特征信息在此过程中被充分学习。

具体的过程如图3所示。网络首先在编码阶段利用无降维的通道注意力模块粗提取每个尺度雨滴的通道特征；然后在每个下采样层分别通过特征细化模块对此尺度下的特征信息进行进一步的细化提取，提取的雨滴特征经U-Net的跳跃连接汇入对应的解码阶段；最后将编码部分下采样后得到的特征图再逐步上采样，并与上一个阶段的特征图聚合得到去雨后的图像。采用不同分辨率的特征提取网络能更好地提取雨滴特征。编码部分通过对图片的两次下采样改变图片尺度，在每个下采样层，都级联使用了扩张率分别为1、2、4、8的扩张卷积以获取不同尺度的信息，这些信息在解码部分与双线性上采样后的特征图聚合，实现了编码—解码网络的多尺度融合。此外，相较于普通上采样，使用双线性上采样可以提高解码部分雨滴特征图的空间分辨率。

特征细化模块的设计以多尺度扩张卷积为核心。由于空间上下文信息对于雨水去除非常重要，而雨滴的形状、大小和密度可变，相同尺度的卷积核无法提取整个区域的雨滴特征，多尺度扩张卷积有助于学习不同大小雨滴的特征，以及雨滴中暗含的背景信息，以生成特征图。因此本文重新设计了多尺度扩张卷积，在保持较低网络深度的情况下以指数方式扩展感受野，在不降低分辨率的情况下获取更多的上下文信息。从第一层到第四层，扩张率从1增大到8，卷积核大小为3×3，以提取不同尺度的雨滴细节特征。在每个扩张卷积的后面使用随机纠正线性单元（leaky ReLU）学习图像中的非线性关系。特征细化模块不同层的各项参数如表1所示。

2 实验结果与分析

2.1 实验配置

本文所提出的去雨滴网络模型基于PyTorch深度学习框架，训练和测试的硬件环境为NVIDIA Tesla V100-SXM2。由于不同阶段数和通道数对去雨效果的影响不同，所以本文对这两个关键超参数进行了讨论。对于阶段数，由图7可知，当阶段数为3时，网络可以在较低的复杂度下得到理想的去雨结果。对于通道数，由图8可知，随着通道数的增加，网络的去雨能力不断增强，在通道数为80时达到最佳。网络中编码—解码结构在编码部分的每一层上使用2个NRCA模块，下采样采用步长为2的大小为2×2的最大池化操作，在网络的最后部分使用了级联的8个NRCA模块作为重建模块。训练时，batchsize设置为8，在256×256大小的图像块上训练，为了增加训练数据，对图片随机应用水平翻转和垂直翻转来进行数据增强。此外，本文使用初始学习率为2×10-4的Adam优化器，使用Cosine annealing策略［22］，将学习率的大小缓慢下降至1×10-6。

本文采用峰值信噪比（peak signal to noise ratio，PSNR）［23］和结构相似性（structural similarity index，SSIM）［24］作为客观评价图像质量的方法，通过数值来直观地比较去雨方法的性能。在去雨的实验过程中，有雨图像和无雨清晰图像必须在同一个背景下，雨滴区域所对应的背景需完全一致。训练集和测试集选用公开的数据集，关于雨滴的数据集选用了Qian等人［4］公开的数据集，其通过在镜头上洒水的方式，创建了真实的附着雨滴图像的数据集，包含861对训练图像以及58对测试图像。关于雨线的数据集选用了Zhang等人［25］提出的Rain800，其通过向图片中添加不同强度和方向的雨条纹的方式人工合成数据集，包含700对训练图像和100对测试图像。

2.2 消融实验

为了分析网络的各个组成部分对去雨结果的影响，本文将网络划分为不同阶段和不同模块，分别设计消融实验。根据实验结果的定量评估和定性评估可以证明，一方面，随着阶段数量的增加，网络的去雨效果不断提升，验证了本文多阶段设计的有效性；另一方面，本文构建的U-Net本身具有良好的去雨能力，通過融入无降维的通道注意力模块，有助于提升背景可见度，减轻雨滴对图像造成的模糊效果。而特征细化模块则有效增强了编码—解码网络对退化图像在多个尺度上的恢复能力，在去除图像雨滴的工作上贡献更大。

本文分析了网络在不同阶段下的去雨效果。定量结果如表2所示。其中，对于本文所提出的三阶段渐进去雨网络，stage1代表单独使用第一阶段网络的情况，stage2+3代表同时使用第一阶段和第二阶段网络的情况，stage1+2+3代表三个阶段网络联合使用的情况。训练和测试的数据为Qian等人［4］提出的雨滴数据集。stage1+2在stage1的基础上提升较大，尤其是在PSNR指标上提升了0.63 dB。结合图9分析可知，stage1能去除大多数细小雨滴，但无法去除较大雨滴在图像上形成的光斑，这些光斑区域给背景图像造成了遮挡，而stage1+2有针对性地去除了光斑的影响，根据该遮挡区域的周围背景修复图片。表2中stage1+2与stage1+2+3在SSIM数值上非常接近，说明两者的去雨结果在亮度和对比度上极为接近，但是stage1+2+3处理的结果在图9中更为清晰，PSNR也有一定提高，说明第三阶段网络可以在理解图片所有背景信息的基础上，丰富图片的细节，通过在整体上进行重建的方式去除雨滴给背景造成的与整体不协调的部分，使不同部分之间呈现统一的风格。

此外，本文分析了网络各模块对去雨结果的影响。定量结果如表3所示。其中，U-Net为带有通道注意力机制的编码—解码网络；NRCA代表无降维的通道注意力模块；U-Net+NRCA代表经NRCA改进的U-Net；FRM代表特征细化模块，其设计融合了多尺度扩张卷积、无降维的通道注意力机制和门控循环单元；U-Net+NRCA+FRM代表经FRM增强了的编码—解码网络，即本文提出的多尺度融合编码—解码网络。单独的U-Net即可很好地去除图像中的雨滴，其在表3中定量评估指标PSNR为31.75 dB，SSIM数值为0.931 6。但是结合图10分析可知，其无法处理大而密的雨滴对背景图像造成的扭曲和遮挡，去雨结果总体清晰，背景的纹理细节却比较模糊。U-Net+NRCA虽然在定量评估指标上较U-Net提升不大，但是结合图10可以发现，NRCA可以有效提升背景图像局部色彩的一致性，从色彩的对比度和饱和度方面减弱背景的模糊程度。由于NRCA只作用于通道维度，其对于背景纹理的恢复能力较弱，FRM的引入可以很好地修复雨滴对背景图像纹理的破坏，提升局部细节的清晰度，最终实现整张图片观感上的提升。表3中U-Net+NRCA+FRM的PSNR为32.20 dB，SSIM数值为0.938 6，其在定量评估指标上具有显著提高，从另一方面佐证了FRM优异的细节修复能力。

2.3 与其他方法的对比实验

将本文提出的方法与Pix2Pix［3］、AttentionGAN［4］、DuRN［8］、MSPFN［18］、RLNet［12］、MPRNet［15］在Qian等人［4］提出的雨滴数据集以及Zhang等人［25］提出的雨线数据集（Rain800）上进行比较。在雨滴数据集中，本文方法在PSNR和SSIM这两个指标上均取得了很好的结果，其中PSNR达到了32.20 dB，SSIM为0.938 6，去雨结果的视觉观感也达到最佳，优于以上六种方法。

定量評估结果如表4所示。其中，raindrop列代表雨滴数据集的评估结果，rain line列代表雨线数据集的评估结果，Pix2Pix、AttentionGAN、DuRN、MSPFN、RLNet、MPRNet行代表对比实验的定量评估结果。在雨滴数据集中，Pix2Pix的定量评估结果明显低于其他三种方法和本文方法，结合图11分析可知，Pix2Pix去除了少量雨滴，并在恢复的图像上产生了许多伪影，其去雨效果并不理想。AttentionGAN在PSNR指标上高于其他五种方法，得益于生成对抗网络的优势，其可以在被遮挡区域恢复出原有的纹理结构，但是其生成的图像局部色彩存在失真，这一点也可以从其偏低的SSIM数值来验证。DuRN的PSNR为31.24 dB，SSIM数值为0.925 9，仅相当于本文去雨网络在表2消融实验中第一阶段的定量评估结果。尽管RLNet考虑了在多个尺度下对雨滴进行处理，但是由于单一阶段网络的局限性，其对于背景中复杂的雨滴所造成的严重遮挡依然力不从心，去雨结果依然残留有个别伪影。与DuRN、RLNet相比，多阶段网络MSPFN可以逐阶段渐进地对雨滴图像进行处理，但是该网络尺度固定，对于复杂的雨滴特征的处理能力不强。得益于多阶段网络在去雨方面的优势，无论是表4中的定量评估结果，还是图11中的去雨结果对比图，MPRNet的综合性能为六个对比方法中最好的。但是就其定量评估结果而言，仅与本文去雨网络在表3消融实验中多阶段U-Net的性能相当，其背景的边缘信息和纹理细节存在明显丢失，还有进一步提升的空间。

在多阶段U-Net的基础上，本文构建了多尺度融合的编码—解码网络，通过融入特征细化模块，提升了网络对雨滴的去除能力，以及背景图像的修复能力。如图11所示，得到的图像结构更为清晰，颜色纯净自然，在所对比的方法中获得了最佳的视觉质量，图像整体也更接近真实图像。此外，由图12中可知，本文方法能很好地去除图像中的雨条纹，并且在表4雨线数据集（Rain800）的定量评估结果中，本文方法的PSNR指标为29.78 dB，SSIM数值为0.890 9，达到最优。为了进一步验证了本文方法的泛化能力，利用本文所提出的去雨网络对在雨天拍摄的真实降雨图像进行了测试，真实场景的去雨结果如图13所示。从视觉上可以看出，本文所提出的去雨网络可以有效地提升图像的对比度，去除雨水对图像背景造成的遮挡，去雨的整体效果也更符合人的视觉观感。

3 结束语

本文提出了多阶段渐进式图像去雨滴网络（MSRRNet），将图像的恢复过程分为三个更易于管理和实现的阶段，逐步实现雨滴的去除。每个阶段均以增强的编码—解码网络为核心，其中编码—解码网络通过下采样和上采样实现对雨滴特征的粗提取，之后，利用特征细化模块实现对雨滴特征的细提取，并加入无降维的通道注意力模块加强对通道特征的处理。在不同阶段之间引入监督注意模块，在数据层加强不同阶段所处理数据的关联；在每个阶段的编码—解码网络之间引入特征传递模块，在网络层实现不同阶段网络学习能力的交流。实验结果表明，本文所提出的网络能够有效地去除雨滴，降低雨滴对图像质量的影响，得到清晰的无雨图像。

参考文献：

［1］陈舒曼，陈玮，尹钟.单幅图像去雨算法研究现状及展望［J］.计算机应用研究，2022，39（1）：9-17.（Chen Shuman，Chen Wei，Yin Zhong.Research status and prospect of single image ram removal algorithm［J］.Application Research of Computers，2022，39（1）：9-17.）

［2］Eigen D，Krishnan D，Fergus R.Restoring an image taken through a window covered with dirt or rain［C］//Proc of IEEE International Conference on Computer Vision.Piscataway，NJ：IEEE Press，2013：633-640.

［3］Isola P，Zhu Junyan，Zhou Tinghui，et al.Image-to-image translation with conditional adversarial networks［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2017：1125-1134.

［4］Qian Rui，Tan R T，Yang Wenhan，et al.Attentive generative adversa-rial network for raindrop removal from a single image［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.2018：2482-2491.

［5］Zhang Yulun，Li Kunpeng，Li Kai，et al.Image super-resolution using very deep residual channel attention networks［C］//Proc of European Conference on Computer Vision.2018：286-301.

［6］Yu F，Koltun V.Multi-scale context aggregation by dilated convolutions［EB/OL］.（2015）.https：//arxiv.org/abs/1511.07122.

［7］Zamir S W，Arora A，Khan S，et al.CycleISP：real image restoration via improved data synthesis［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.2020：2696-2705.

［8］Liu Xing，Suganuma M，Sun Zhun，et al.Dual residual networks leve-raging the potential of paired operations for image restoration［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Re-cognition.2019：7007-7016.

［9］Kupyn O，Martyniuk T，Wu Junru，et al.DeblurGAN-v2：deblurring （orders-of-magnitude） faster and better［C］//Proc of IEEE/CVF International Conference on Computer Vision.2019：8878-8887.

［10］Ronneberger O，Fischer P，Brox T.U-Net：convolutional networks for biomedical image segmentation［C］//Proc of International Conference on Medical Image Computing and Computer-assisted Intervention.Cham：Springer，2015：234-241.

［11］Chen Dongdong，He Mingming，Fan Qingnan，et al.Gated context aggregation network for image dehazing and deraining［C］//Proc of IEEE Winter Conference on Applications of Computer Vision.Piscataway，NJ：IEEE Press，2019：1375-1383.

［12］Chen Chenghao，Li Hao.Robust representation learning with feedback for single image deraining［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.2021：7742-7751.

［13］唐慧，任杰文，鮑旭东.减少色彩失真的自适应单幅图像去雾算法［J］.计算机应用研究，2020，37 （5）：1553-1556.（Tang Hui，Ren Jiewen，Bao Xudong.Color preserved self-adaptive single image defogging method［J］.Application Research of Computers，2020，37（5）：1553-1556.）

［14］谭富祥，钱育蓉，孔钰婷，等.基于Transformer的多分支单图像去雨方法［J］.计算机应用研究，2022，39（8）：2500-2505，2519.（Tan Fuxiang，Qian Yurong，Kong Yuting，et al.Multi-branch single image deraining network based on Transformer［J］.Application Research of Computers，2022，39（8）：2500-2505，2519.）

［15］Zamir S W，Arora A，Khan S，et al.Multi-stage progressive image restoration［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.2021：14821-14831.

［16］曹承瑞，刘微容，史长宏，等.多级注意力传播驱动的生成式图像修复方法［J］.自动化学报，2022，48（5）：1343-1352.（Cao Cheng-rui，Liu Weirong，Shi Changhong，et al.A generative image restoration method driven by multi-level attention propagation［J］.Acta Automatica Sinica，2022，48（5）：1343-1352.）

［17］张焱，张娟，方志军.基于通道注意力和门控循环单元的图像去雨算法［J］.计算机应用研究，2021，38（8）：2505-2509.（Zhang Yan，Zhang Juan，Fang Zhijun.Image rain removal algorithm based on channel attention and gated recurrent unit［J］.Application Research of Computers，2021，38（8）：2505-2509.）

［18］Jiang Kui，Wang Zhongyuan，Yi Peng，et al.Multi-scale progressive fusion network for single image deraining［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.2020：8346-8355.

［19］Wang Qiong，Wu Banggu，Zhu Pengfei，et al.ECA-Net：efficient channel attention for deep convolutional neural networks［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2020：11534-11542.

［20］Cho S J，Ji S W，Hong J P，et al.Rethinking coarse-to-fine approach in single image deblurring［C］//Proc of IEEE/CVF International Conference on Computer Vision.2021：4641-4650.

［21］Jiang Liming，Dai Bo，Wu W，et al.Focal frequency loss for image reconstruction and synthesis［C］//Proc of IEEE/CVF International Conference on Computer Vision.2021：13919-13929.

［22］Loshchilov I，Hutter F.SGDR：stochastic gradient descent with warm restarts［EB/OL］.（2016）.https：//arxiv.org/abs/1608.03983.

［23］Hore A，Ziou D.Image quality metrics：PSNR vs.SSIM［C］//Proc of the 20th International Conference on Pattern Recognition.Piscataway，NJ：IEEE Press，2010：2366-2369.

［24］Wang Zhou，Bovik A C，Sheikh H R，et al.Image quality assessment：from error visibility to structural similarity［J］.IEEE Trans on Image Processing，2004，13（4）：600-612.

［25］Zhang He，Sindagi V，Patel V M.Image de-raining using a conditional generative adversarial network［J］.IEEE Trans on Circuits and Systems for Video Technology，2019，30（11）：3943-3956.

作者簡介：谷坤源（1996-），男，河南漯河人，硕士，主要研究方向为图像处理；贾宗璞（1963-），男，河南南阳人，教授，博导，博士，主要研究方向为物联网技术与应用、计算机网络技术；赵珊（1975-），女（通信作者），河南济源人，教授，硕导，博士，主要研究方向为模式识别、图像处理（zhao-shan@hpu.edu.cn）；庞晓艳（1986-），女，河南濮阳人，硕士，主要研究方向为物联网技术与研究；张鹏（1998-），男，河南许昌人，硕士，主要研究方向为图像处理、计算机图形学.