1.基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，由以下步骤组成：步骤S1：通过引导滤波器将原始雨天图像进行边缘移除得到第一图像，再以第一图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第二图像，再以第二图像作为引导图像利用引导滤波器对原始雨天图像进行滤波得到第三图像，不断迭代直到得到完整的雨纹信息图，步骤S2：在雨纹信息图的引导下，利用循环注意力网络对原始雨天图像中的雨纹信息进行提取，生成雨纹注意力图，步骤S3：将原始雨天图像和雨纹注意力图输入第一平滑膨胀卷积网络中，提取不同感受野的特征获得残差图，通过原始雨天图像减去残差图获得去雨纹图像，步骤S4：将去雨纹图像输入第二平滑膨胀卷积网络，将去雨纹图像内的类雾降质进行去除得到去雨去雾图像；

其中，所述第一平滑膨胀卷积网络的总损失函数为：

Ltotal＝Lm+Lp+Latt+Lg，

式中，Lm为多尺度均方误差损失，Latt为注意力损失，Lp为感知损失，Lg为对抗网络自身的损失，其中，

式中，i表示第i个尺度，k表示总的尺度个数，令k＝3，Lmse()表示均方误差损失，Si表示从解码器中提取的第i个输出，Gi表示将G经下采样后与Si大小相同的真值无雨图像，Si,i＝

1,2,3的大小是原始输入图像的1/4、1/2及1倍，λi，i＝1,2,3表示不同尺度的权重，分别取值为λ1＝0.6，λ2＝0.8，λ3＝1；

其中，Lp＝Lmse(VGG(B),VGG(G))，

其中，

式中，μ＝0.8，N＝6，Lmse()为均方误差损失，Ai，i＝1,2,...6，M＝I‑G，I为原始雨天图像，G为与I对应的真值无雨图像，其中，Lg＝log(1‑D(B))，

式中，D(B)表示判别器网络D将B判别为真实无雨图像的概率；

所述第一平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个所述残差块由依次连接的分离共享卷积层和膨胀卷积层组成，所述分离共享卷积层用于增加特征图之间的依赖性；

其中，在训练所述第二平滑膨胀卷积网络时，其输入图像为公开的REISDE去雾数据集；

在测试所述第二平滑膨胀卷积网络时，其输入图像为步骤S3获得的去雨纹图像。

2.根据权利要求1所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，所述循环注意力网络设置有六个阶段，每个阶段由依次连接的五个残差块、1个长短记忆网络以及1个卷积层构成；

在雨纹信息图的引导下，利用残差块对原始雨天图像中的雨纹信息进行提取，将雨纹信息输入长短记忆网络，通过遗忘门控仅保留雨纹信息，将雨纹信息作为下一个阶段的指导，利用卷积层生成该阶段的雨纹注意力图，经过六个阶段的处理，得到最终的雨纹注意力图。

3.根据权利要求2所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，七个所述残差块的膨胀率分别设为2、2、2、4、4、4、1。

4.根据权利要求3所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，所述融合层将第1，第4和第7个残差块输出的特征图进行融合。

5.根据权利要求1所述的基于注意力平滑膨胀卷积的两阶段图像去雨方法，其特征在于，所述第二平滑膨胀卷积网络由依次连接的三个卷积层、7个平滑膨胀的残差块、1个融合层、三个转置卷积层组成，每个残差块由依次连接的分离共享卷积层和膨胀卷积层组成。