1.一种基于逐步密集特征融合去雨网络的图像去雨方法，其特征是，包括以下步骤：获取清晰图像及其对应的加雨图像，以此构建训练数据集；

构建逐步密集特征融合去雨网络，所述网络基于U‑Net编码器‑解码器的网络结构，在编码器后依次堆叠6个残差密集单元，每个残差密集单元输出的中间特征均输入至特征逐步融合单元；

利用训练数据集训练所述逐步密集特征融合去雨网络；

将待去雨图像输入训练完成的逐步密集特征融合去雨网络中，获得去雨后的清晰图像；

所述残差密集单元以密集连接模式堆叠4个归一卷积模块和1个特征转换模块，所述编码器最后一层输出的编码特征输入第一个残差密集单元，每个密集残差单元输出的中间特征均输入至特征逐步融合单元；

所述特征逐步融合单元包括6个密集连接的解码器，所述解码器为依次堆叠上采样层‑卷积模块‑上采样层‑卷积模块，每个解码器分别与残差密集单元一一对应，以对应的残差密集单元输出的中间特征作为输入；

所述特征逐步融合单元中解码器的密集连接是指：

第一个残差密集单元输出的中间特征输入第一个解码器，中间特征在第一个解码器中，在每个上采样操作后融合来自编码器输出的编码特征，融合后通过卷积模块得到密集融合特征；

之后的解码器以对应残差密集单元输出的中间特征为输入，在每个上采样操作后融合来自前一个解码器对应层融合输出的特征，以此形成特征逐步融合单元中解码器的密集连接模式。

2.如权利要求1所述的基于逐步密集特征融合去雨网络的图像去雨方法，其特征是，所述编码器为依次堆叠1个卷积模块和2个连续的用于降采样的降采样模块；通过编码器每层输出的特征为编码特征。

3.如权利要求2所述的基于逐步密集特征融合去雨网络的图像去雨方法，其特征是，所述卷积模块堆叠卷积和ReLU激活函数，其顺序依次为卷积Conv2d‑ReLU‑卷积Conv2d‑ReLU，其中，所述Conv2d为单个卷积层；

所述降采样模块由所述卷积模块以残差连接模式组成，其后再堆叠1个下采样层，进行降采样操作。

4.一种基于逐步密集特征融合去雨网络的图像去雨系统，其特征是，包括：

训练集构建模块，用于获取清晰图像及其对应的加雨图像，以此构建训练数据集；去雨网络构建模块，用于构建逐步密集特征融合去雨网络，所述网络基于U‑Net编码器‑解码器的网络结构，在编码器后依次堆叠6个残差密集单元，每个残差密集单元输出的中间特征均输入至特征逐步融合单元；

去雨网络训练模块，用于利用训练数据集训练所述逐步密集特征融合去雨网络；去雨模块，用于将待去雨图像输入训练完成的逐步密集特征融合去雨网络中，获得去雨后的清晰图像；

所述残差密集单元以密集连接模式堆叠4个归一卷积模块和1个特征转换模块，所述编码器最后一层输出的编码特征输入第一个残差密集单元，每个密集残差单元输出的中间特征均输入至特征逐步融合单元；

所述特征逐步融合单元包括6个密集连接的解码器，所述解码器为依次堆叠上采样层‑卷积模块‑上采样层‑卷积模块，每个解码器分别与残差密集单元一一对应，以对应的残差密集单元输出的中间特征作为输入；

所述特征逐步融合单元中解码器的密集连接是指：

第一个残差密集单元输出的中间特征输入第一个解码器，中间特征在第一个解码器中，在每个上采样操作后融合来自编码器输出的编码特征，融合后通过卷积模块得到密集融合特征；

之后的解码器以对应残差密集单元输出的中间特征为输入，在每个上采样操作后融合来自前一个解码器对应层融合输出的特征，以此形成特征逐步融合单元中解码器的密集连接模式。