1.一种基于梯度先验驱动的深度网络图像去雨方法，其特征在于，包括如下步骤：步骤1：获取雨天拍摄的待处理受损图像；

步骤2：融合基于模型驱动的方法和基于深度神经网络方法，在构建深度网络框架模型时，引入梯度域特征构建模型驱动深度网络的误差控制项，构建如下梯度先验驱动的深度网络去雨模型：其中，o，r，u分别表示雨天拍摄的受损图像，雨痕图像和待恢复的清晰图像， 和分别表示图像的整体梯度算子、竖直方向梯度算子和水平方向梯度算子，Ψ(u)和Φ(r)分别表示背景图像的正则项和雨痕图像的正则项；α1，α2，λ1和λ2分别表示非负的正则化系数， 表示L2范数； 为误差控制项；

步骤3：将待处理受损图像输入至所述梯度先验驱动的深度网络去雨模型，并对所述梯k+1 k+1度先验驱动的深度网络去雨模型进行求解，输出雨痕图像r 和恢复的清晰图像u 。

2.根据权利要求1所述的基于梯度先验驱动的深度网络图像去雨方法，其特征在于，所述步骤3求解时，先将模型中的双变量求解问题转换为两个单变量求解问题：

3.根据权利要求2所述的基于梯度先验驱动的深度网络图像去雨方法，其特征在于，所k+1述雨痕图像r 的解如下：

其中，

是近端梯度算子，用于控制图像的正则化先验Φ(r)，正则化先验函数Φ(r)通过深度学习获得；近端梯度算子 由4层残差卷积神经网络构成。

4.根据权利要求2所述的基于梯度先验驱动的深度网络图像去雨方法，其特征在于，所k+1述恢复的清晰图像u 的解如下：

k+1

其中，η2是u 迭代步长，

是近端梯度算子，用于控制图像的正则化先验Φ(r)，正则化先验函数Φ(r)通过深度学习获得；近端梯度算子 由4层残差卷积神经网络构成。

5.根据权利要求3或4所述的基于梯度先验驱动的深度网络图像去雨方法，其特征在于，所述近端梯度算子 由4层残差卷积神经网络构成，每层残差网络结构由两层卷积层和一个修正线性单位Relu层构成，每个卷积层由64个3*3大小的卷积核进行卷积运算，先第一层卷积层运算后经过修正线性单位Relu层后再进行第二层卷积层运算。