1.一种基于学习型卷积稀疏编码的图像去雨方法，其特征在于，包括：S1：获取待处理图像；

S2：采用基于综合型的全局和局部梯度先验表征背景图像，并采用学习型卷积稀疏编码对雨痕进行处理，构建如下综合型全局、局部梯度和学习型卷积稀疏编码的图像去雨模型：且满足如下条件： si＝Dαi；

其中，o代表成像系统拍摄到的雨降质图像，所述雨降质图像为雨层图像与背景图像的线性叠加，u是需要恢复的背景图像，r是雨层图像，αi代表稀疏编码后的稀疏系数, 和是分别是水平方向和垂直方向的梯度算子，N是图像被分成的块数，||·||0和||·||1分别代表L1范数和L0范数，分别用于统计全局梯度和局部的幅值较大的梯度，Ri和 分别代表对雨痕图取块算子和块重组算子，si是有稀疏系数构建的第i个雨痕图块，D为随机生成字典；λ1,λ2和λ3是非负的正则化系数；

S3：求解步骤S2中的综合型全局、局部梯度和学习型卷积稀疏编码的图像去雨模型，输出结果去雨图像u和雨层信息图

2.根据权利要求1所述的基于学习型卷积稀疏编码的图像去雨方法，其特征在于，所述S2中对模型进行去除约束条件，具体为：其中，ti是si的对偶变量，用于保证si逼近于Dαi，β是非负的迭代参数。

3.根据权利要求2所述的基于学习型卷积稀疏编码的图像去雨方法，其特征在于，对去除约束后的模型中的每个变量依次进行单独求解，获取子迭代公式：其中，P是边界填充算子，运算符T代表矩阵的转置运算。

4.根据权利要求3所述的基于学习型卷积稀疏编码的图像去雨方法，其特征在于，对于u的求解，引入辅助变量p1，p2，并使 关于变量u的优化问题可以转换为如下等价子问题进行求解：直接对u进行求导等于零确定u的线性解为：

u的迭代解为：

和 的迭代解为：

‑1

其中，F(·)和F (·)分别代表傅里叶变换和傅里叶反变换。

5.根据权利要求3所述的基于学习型卷积稀疏编码的图像去雨方法，其特征在于，关于的求解，利用直接求导法可得其迭代解为：式中，n是区块算子Ri的元素个数。

6.根据权利要求3所述的基于学习型卷积稀疏编码的图像去雨方法，其特征在于，关于的迭代解具体为：

7.根据权利要求3所述的基于学习型卷积稀疏编码的图像去雨方法，其特征在于，关于字典D的求解方法具体为：所述字典D是由多个形式为列向量的滤波器构成的矩阵，其表现形式为：D＝(d1,d2,…dm)，di为第i个滤波器，把字典的各滤波器展开，则可表示为：并将其转变成如下非约束条件形式：

令gm＝dm，式(15)转变成如下求解问题：确定 的迭代解为：

确定 的迭代解为：