【技术实现步骤摘要】
本专利技术涉及图像处理的，特别是涉及一种基于深度学习的图像质量优化方法、系统、设备及介质。
技术介绍
1、在图像处理领域，图像质量的优化和提升是一个重要的研究课题，随着科技的发展，尤其是深度学习在图像处理中的应用，使得我们能够通过特定的算法对图像进行优化和提升，其中，超分辨率技术是一种常用的方法，它可以通过学习低分辨率图像与高分辨率图像之间的映射关系，来提高图像的分辨率和质量。
2、然而，现有的超分辨率图像质量优化方法往往只采用单通道的超分辨率优化结果，由于优化方法的单一性以及原图像存在的缺陷，容易导致优化后的图像存在部分图像区域失真的情况。
技术实现思路
1、为解决上述技术问题，本专利技术提供一种能够全面、精准地提高图像的质量，减小图像失真和缺陷的影响的基于深度学习的图像质量优化方法。
2、第一方面，本专利技术提供了基于深度学习的图像质量优化方法，所述方法包括：
3、对原图像进行双通道超分辨率优化，获得第一优化图像和第二优化图像；
4、对第一优化图像与第二优化图像进行图像质量差异识别，并提取第一优化图像和第二优化图像中存在图像质量差异超过预设一阶阈值的图像区域，获得图像质量差异区域；
5、计算图像质量差异区域面积与原图像面积之间的比值，获得图像质量差异占比；
6、将图像质量差异占比与预设二阶阈值进行比对：若图像质量差异占比未超过预设二阶阈值，则由第一优化图像和第二优化图像中随机任选一张作为原图像的最终优化图像
7、对原图像存疑区域单独进行双通道超分辨率优化，获得第一区域优化图像和第二区域优化图像；
8、将第一区域优化图像与第二区域优化图像进行相似度对比，若第一区域优化图像与第二区域优化图像的相似度超过预设第三阈值，则根据相同的优化通道将第一区域优化图像和第二区域优化图像分别与第一优化图像和第二优化图像进行合并复原，并随机任选一张复原后的图像作为原图像的最终优化图像进行输出；若第一区域优化图像与第二区域优化图像的相似度未超过预设第三阈值，则说明原图像存在缺陷，无法进行优化。
9、进一步地，所述双通道超分辨率优化方法，包括：
10、对原图像中已知像素周围的像素值进行插值来增加图像的分辨率，获得第一优化图像；
11、利用图像处理算法和信号处理技术，从原图像中提取信息并推断缺失的像素来增加图像的分辨率，获得第二优化图像。
12、进一步地，图像质量差异区域提取方法包括：
13、使用深度学习方法，构建一个二分类的模型；
14、构建一个包含有标注图像质量差异的训练数据集，在训练数据集图像上进行手动标注存在质量差异的区域；
15、使用准备好的训练数据集对模型进行训练；
16、预设一阶阈值，确定显著差异；
17、一旦模型训练完成，使用训练好的网络对第一和第二优化图像进行推断，得到图像差异映射；
18、通过比较差异映射中的像素值与设定的一阶阈值，提取出图像质量差异超过一阶阈值的区域，获得图像质量差异区域。
19、进一步地，所述原图像存疑区域双通道超分辨率优化方法包括：
20、针对每个存疑区域，独立进行处理，将存疑区域裁剪出来；
21、构建深度学习模型，该模型将低分辨率的存疑区域作为输入，高分辨率图像作为输出；
22、对每个原图像存疑区域输入至训练好的模型，生成第一区域优化图像和第二区域优化图像。
23、进一步地，最终优化图像输出方法包括：
24、使用相似度度量方法，通过比较第一区域优化图像和第二区域优化图像之间的像素值、结构和亮度差异来对第一区域优化图像和第二区域优化图像进行相似度计算；
25、预设第三阈值，作为判断两个区域相似度的标准；
26、使计算得到的相似度与第三阈值进行比较，判断第一区域优化图像和第二区域优化图像相似度；若相似度超过预设第三阈值，说明两个区域的优化结果相似，则进行合并复原；若第一区域优化图像和第二区域优化图像的相似度未超过预设第三阈值，说明两个区域的优化结果相差较大，原图像存在缺陷，无法进行优化；
27、将第一区域优化图像和第二区域优化图像分别与第一优化图像和第二优化图像进行合并，对两个区域的像素值进行加权平均处理，获得一个最终综合两个区域信息的图像；
28、随机选择一张复原后的图像作为原图像的最终优化图像进行输出。
29、进一步地，所述相似度度量方法包括结构相似性指数、均方误差。
30、进一步地，所述二阶阈值的设定影响因素包括图像质量标准、图像处理应用的敏感性、原始图像的特性和用户体验需求。
31、另一方面，本申请还提供了基于深度学习的图像质量优化系统，所述系统包括：
32、第一双通道超分辨率优化模块，对原图像进行双通道超分辨率优化，获得第一优化图像和第二优化图像，并发送；
33、图像质量差异识别与区域提取模块，用于接收第一优化图像和第二优化图像，对第一优化图像与第二优化图像进行图像质量差异识别，提取第一优化图像和第二优化图像中存在图像质量差异超过预设一阶阈值的图像区域，获得图像质量差异区域，并发送；
34、图像质量差异分析模块，用于接收图像质量差异区域，计算图像质量差异区域面积与原图像面积之间的比值，获得图像质量差异占比，并发送；
35、决策模块，用于接收图像质量差异占比，将图像质量差异占比与预设二阶阈值进行比对，若图像质量差异占比未超过预设二阶阈值，则由第一优化图像和第二优化图像中随机任选一张作为原图像的最终优化图像进行输出；若图像质量差异占比超过预设二阶阈值，则提取原图像中与图像质量差异区域对应的区域，获得原图像存疑区域，并发送；
36、第二双通道超分辨率优化模块，用于接收原图像存疑区域，对原图像存疑区域单独进行双通道超分辨率优化，获得第一区域优化图像和第二区域优化图像，并发送；
37、相似度分析与图像复原模块，用于接收第一区域优化图像和第二区域优化图像，将第一区域优化图像与第二区域优化图像进行相似度对比，若第一区域优化图像与第二区域优化图像的相似度超过预设第三阈值，则根据相同的优化通道将第一区域优化图像和第二区域优化图像分别与第一优化图像和第二优化图像进行合并复原，并随机任选一张复原后的图像作为原图像的最终优化图像进行输出；若第一区域优化图像与第二区域优化图像的相似度未超过预设第三阈值，则说明原图像存在缺陷，无法进行优化。
38、第三方面，本申请提供了一种电子设备，包括总线、收发器、存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述收发器、所述存储器和所述处理器通过所述总线相连，所述计算机程序被所述处理器执行时实现上述任意一项本文档来自技高网...
【技术保护点】
1.一种基于深度学习的图像质量优化方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，所述双通道超分辨率优化方法，包括：
3.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，图像质量差异区域提取方法包括：
4.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，所述原图像存疑区域双通道超分辨率优化方法包括：
5.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，最终优化图像输出方法包括：
6.如权利要求5所述的基于深度学习的图像质量优化方法，其特征在于，所述相似度度量方法包括结构相似性指数、均方误差。
7.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，所述二阶阈值的设定影响因素包括图像质量标准、图像处理应用的敏感性、原始图像的特性和用户体验需求。
8.一种基于深度学习的图像质量优化系统，其特征在于，所述系统包括：
9.一种基于深度学习的图像质量优化电子设备，包括总线、收发器、存储器、处理
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-7中任一项所述方法中的步骤。
...【技术特征摘要】
1.一种基于深度学习的图像质量优化方法，其特征在于，所述方法包括：
2.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，所述双通道超分辨率优化方法，包括：
3.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，图像质量差异区域提取方法包括：
4.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，所述原图像存疑区域双通道超分辨率优化方法包括：
5.如权利要求1所述的基于深度学习的图像质量优化方法，其特征在于，最终优化图像输出方法包括：
6.如权利要求5所述的基于深度学习的图像质量优化方法，其特征在于，所述相似度度量方法包括结构相似性指数、均方误差。
7.如权利...
【专利技术属性】
技术研发人员：李磊，
申请(专利权)人：青岛漫斯特数字科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。