1.一种基于多密度雨纹感知的图像去雨方法，其特征在于，所述方法包括以下步骤：步骤S1，获取原始带雨图像O和低频辅助图像IRG，构建低频无雨图像提取网络，并利用所述低频无雨图像提取网络对于所述带雨图像O和低频辅助图像IRG进行处理，得到目标无雨图像的低频部分Bl；

步骤S2，构建高频多尺度雨密度感知网络，并利用所述高频多尺度雨密度感知网络对于所述原始带雨图像O进行处理，采用多尺度方式并行地提取所述原始带雨图像中不同密度类型的雨条纹Si和与之耦合的背景信息高频部分Bh，得到所述原始带雨图像O的高频部分混合信息Ψi(Bh,Si)，其中，i表示不同雨条纹密度类型；

步骤S3，融合所述原始带雨图像O、带雨图像O的低频部分Bl以及所述原始带雨图像O的高频部分混合信息Ψi(Bh,Si)，构建去雨子网络，并利用所述去雨子网络对于得到的融合信息进行处理，得到目标无雨图像。

2.根据权利要求1所述的方法，其特征在于，所述低频辅助图像IRG可表示为：IRG＝λ·Ires+(1-λ)·Ogray；

其中，λ∈[0,1]为图像混合比例系数，Ires为残差信息，Ogray为所述原始带雨图像O的灰度图像。

3.根据权利要求1所述的方法，其特征在于，所述低频无雨图像提取网络包括多个网络部分，每个网络部分包含6个卷积块，每个卷积块的内部结构相同，均由两组卷积过程构成，每一组卷积过程包括：卷积层、批正则化层和非线性激活函数层。

4.根据权利要求1所述的方法，其特征在于，所述高频多尺度雨密度感知网络包括不同大小的多个卷积网络分支。

5.根据权利要求4所述的方法，其特征在于，所述卷积网络分支包括6个卷积块和相应的下采样、上采样层。

6.根据权利要求1所述的方法，其特征在于，所述步骤S2中的利用所述高频多尺度雨密度感知网络对于所述原始带雨图像O进行处理，包括以下步骤：步骤S21，利用所述高频多尺度雨密度感知网络中不同大小的多个卷积网络分支并行提取所述原始带雨图像中的雨条纹信息和与之耦合的背景信息高频部分，得到与所述卷积网络分支对应的特征图；

步骤S22，将所述多个卷积网络分支提取得到的特征图在通道方向上进行串联，得到所述原始带雨图像O的高频部分混合信息Ψi(Bh,Si)。

7.根据权利要求1所述的方法，其特征在于，所述步骤S3中融合所述原始带雨图像O、带雨图像O的低频部分Bl以及所述原始带雨图像O的高频部分混合信息Ψi(Bh,Si)，可实施为：将所述原始带雨图像O、带雨图像O的低频部分Bl以及所述原始带雨图像O的高频部分混合信息Ψi(Bh,Si)在通道方向上串联。

8.根据权利要求1所述的方法，其特征在于，所述去雨子网络包含三个卷积层。

9.根据权利要求1所述的方法，其特征在于，还包括：

步骤S4，构建雨密度类型分类网络，并采用多任务训练机制利用所述雨密度类型分类网络作为辅助学习网络，提高前述高频多尺度雨密度感知网络的准确性。

10.根据权利要求9所述的方法，其特征在于，所述雨密度类型分类网络包括7个卷积块、7个下采样层和3个连续全联接层，所述卷积块包括卷积层、批量正则化层和非线性激活函数层。