Les images par temps de pluie affectent l'efficacité et la précision des tâches de vision par ordinateur. Les images de pluie contiennent souvent des gouttes ou des traces de pluie provenant de directions, tailles et formes différentes. Lors de la suppression de ces gouttes et traces, les méthodes existantes ne tiennent souvent pas compte des informations caractéristiques à différentes échelles fines des images de pluie. L'utilisation d'une seule échelle pour la suppression de la pluie présente de grandes lacunes et ne permet pas de restaurer des images suffisamment nettes pour les tâches de vision. Bénéficiant de la puissante capacité d'extraction de caractéristiques des réseaux neuronaux convolutifs, cet article propose un opérateur structurel convolutionnel progressif en cascade de bout en bout. Cet opérateur contient 4 couches convolutionnelles, liées en escalier pour former un module complet, capable d’extraire et d’intégrer les caractéristiques des scènes pluvieuses à différentes échelles. L'opérateur est intégré dans une structure de réseau récursif progressif, utilisant la structure récursive pour supprimer plusieurs fois les traces de pluie, ce qui permet finalement de restaurer efficacement une image sans pluie proche de l'image réelle. La méthode a été comparée sur les ensembles de données de pluie synthétiques Rain100H, Rain100L, Rain800 et l'ensemble synthétique de pluie pour la conduite autonome BDD1000. Les résultats expérimentaux montrent que l’algorithme a atteint des valeurs PSNR de 30,70, 37,91, 27,63, 35,74 dB et des valeurs SSIM de 0,914, 0,980, 0,894, 0,977 sur les quatre ensembles de données. La visualisation des résultats de suppression de pluie sur des ensembles de données d'images réelles confirme pleinement l'efficacité de la méthode proposée dans la tâche de suppression de pluie.

suppression de la pluie dans les images;structure convolutionnelle progressive en cascade;réseau neuronal convolutif;apprentissage profond;caractéristiques multi-échelles;structure résiduelle