1.基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，包括以下具体步骤，步骤1：预处理图像；

步骤2：构建卷积神经网络模型；

步骤3：采用步骤1得到的预处理后的图像对步骤2得到的卷积神经网络模型进行训练，得到去雨卷积神经网络模型，利用损失函数对去雨卷积神经网络模型进行约束，然后反向传播进行参数更新，得到训练好的去雨网络模型；

步骤4：将待处理有雨的图像输入所述训练好的去雨网络模型中，最终输出去雨后的图像。

2.如权利要求1所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述步骤2中构建卷积神经网络模型，具体地为：一编码器网络，编码器输入所述预处理图像，逐层提取图像的浅层特征，得到编码器提取特征后，编码器进行下采样处理，经过上下文聚合模块DCA_Block模块处理，得到编码器输出特征，再通过跳跃连接组合到融合网络中；

一解码器网络，用于融合所述融合网络中的编码器输出特征，解码器进行上采样处理，经过上下文聚合模块DCA_Block模块处理后，与所述编码器输出特征的数据通过跳跃连接方式进行叠加融合后，构成端到端编解码卷积神经网络模型。

3.如权利要求1所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述步骤2中构建卷积神经网络模型，具体包括以下步骤：S1，输入预处理后的图像经过第一个卷积层处理输出特征O1，输出特征O1经过第二个卷积层处理输出特征O2；

S2，将输出特征O2经过上下文聚合模块DCA_Block模块输出特征O3；

S3，输出特征O3经过下采样卷积层进行第一次下采样处理后，得到输出特征O4；

S4，输出特征O4经过上下文聚合模块DCA_Block模块输出特征O5；

S5，输出特征O5经过下采样卷积层进行第二次下采样处理后，得到输出特征O6；

S6，输出特征O6经过上下文聚合模块DCA_Block模块输出特征O7；

S7，输出特征O7依次经过三个由跳跃连接组成的卷积残差块进行处理后，得到输出特征O10；

S8，输出特征O10经过上下文聚合模块DCA_Block模块输出特征O11；

S9，输出特征O11经过上采样卷积层进行第一次上采样处理后，得到输出特征O12；

S10，将输出特征O3、输出特征O12进行通道连接，经过第三个卷积层处理输出特征O13；

S11，输出特征O13经过上下文聚合模块DCA_Block模块输出特征O14；

S12，输出特征O14经过上采样卷积层进行第二次上采样处理后，输出特征O15；

S13，输出特征O5、输出特征O15进行通道连接，经过第四个卷积层处理输出特征O16；

S14，输出特征O16经过第五个卷积层处理后，与步骤S1输入图像进行相加,得到最终输出图像结果，即完成卷积神经网络模型构建。

4.如权利要求2或3所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述上下文聚合模块DCA_Block模块，包括第一CAN模块和第二CAN模块；输入图像特征经过第一CAN模块、第二CAN模块后得到输出图像特征，输出图像特征通过跳跃连接的方式与输入图像特征相加，得到上下文聚合模块DCA_Block模块的输出数据。

5.如权利要求4所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述第一CAN模块和所述第二CAN模块均是由不同扩张率的卷积层组成。

6.如权利要求5所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述不同扩张率的卷积层具体为：卷积核大小为3×3，步长为1，扩张率分别为1，3，

5。

7.如权利要求2或3所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述下采样是由一个卷积核大小3×3、步长为2、通道为64的卷积组成；

所述上采样是由一个大小3×3、步长为2的转置卷积组成。

8.如权利要求3所述的基于卷积神经网络的上下文聚合残差单幅图像去雨方法，其特征在于，所述卷积残差块，具体公式为：

xl+1＝xl+F(xl+Wl)(1)         (1)其中，xl+1为第l+1层卷积层的卷积结果，xl为第l层卷积层的卷积结果，Wl为第l层卷积层的权重，F(xl+Wl)为残差部分。