Las imágenes en días de lluvia afectan la eficacia y precisión de las tareas de visión por computadora. Las imágenes de lluvia suelen contener gotas o rastros de lluvia provenientes de diferentes direcciones, tamaños y formas. Al eliminar estas gotas y rastros, los métodos actuales a menudo no consideran la información de características en diferentes escalas finas de las imágenes de lluvia, y el uso de una sola escala para la eliminación de la lluvia tiene grandes defectos, lo que impide recuperar imágenes lo suficientemente claras para las tareas visuales. Aprovechando la potente capacidad de extracción de características de las redes neuronales convolucionales, en este trabajo se propone un operador estructural convolucional en cascada progresiva de extremo a extremo. Este operador contiene 4 capas convolucionales, conectadas en forma escalonada para formar un módulo integral que puede extraer e integrar características para escenas de lluvia a múltiples escalas. Este operador se inserta en una estructura de red recurrente progresiva, utilizando la estructura recurrente para eliminar varias veces las rayas de lluvia, y finalmente restaurar efectivamente una imagen sin lluvia cercana a la imagen real. El método se comparó en los conjuntos de datos sintéticos de lluvia Rain100H, Rain100L, Rain800 y el conjunto de datos sintético de lluvia para conducción autónoma BDD1000. Los resultados experimentales muestran que el algoritmo logró valores de PSNR de 30.70, 37.91, 27.63, 35.74 dB y valores de SSIM de 0.914, 0.980, 0.894, 0.977 en los cuatro conjuntos de datos. La visualización de los resultados de eliminación de lluvia en conjuntos de datos reales confirma plenamente la efectividad del método propuesto en la tarea de eliminación de lluvia.

eliminación de lluvia en imágenes;estructura convolucional progresiva en cascada;red neuronal convolucional;aprendizaje profundo;características multiescala;estructura residual