CN117575916B - 基于深度学习的图像质量优化方法、系统、设备及介质 - Google Patents

Abstract

本发明涉及图像处理的技术领域，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，包括：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；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；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；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；能够全面、精准地提高图像质量，减小图像失真和缺陷的影响。

Description

基于深度学习的图像质量优化方法、系统、设备及介质

技术领域

本发明涉及图像处理的技术领域，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。

背景技术

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。

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。

发明内容

为解决上述技术问题，本发明提供一种能够全面、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。

第一方面，本发明提供了基于深度学习的图像质量优化方法，所述方法包括：

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；

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；

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；

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；

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；

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。

进一步地，所述双通道超分辨率优化方法，包括：

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；

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。

进一步地，图像质量差异区域提取方法包括：

使用深度学习方法，构建一个二分类的模型；

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；

使用准备好的训练数据集对模型进行训练；

预设一阶阈值，确定显著差异；

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；

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。

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：

针对每个存疑区域，独立进行处理，将存疑区域裁剪出来；

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；

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。

进一步地，最终优化图像输出方法包括：

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；

预设第三阈值，作为判断两个区域相似度的标准；

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；

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；

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。

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。

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。

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：

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；

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；

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；

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；

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；

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。

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所述方法中的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任意一项所述方法中的步骤。

与现有技术相比本发明的有益效果为：该方法通过对原图像进行双通道超分辨率优化，考虑了图像在两个通道上的信息，能够全面地提高图像的分辨率和质量，有效保留图像中的细节和纹理；通过对第一和第二优化图像进行图像质量差异识别，提取存在质量差异的图像区域，能够定位和理解优化后图像中可能存在的失真或问题，并为后续处理提供指导；通过计算图像质量差异区域的面积与原图像面积的比值，引入了图像质量差异占比的概念，使得方法能够动态调整优化策略，根据图像的不同部分采取不同的处理方式，从而更灵活地适应不同类型的图像；

对于存在质量差异的区域，采取了独立的双通道超分辨率优化，能够有针对性地对问题区域进行处理，最大程度地减小可能引入的失真，并提高整体图像的质量；通过对第一区域和第二区域优化图像进行相似度对比，进一步判断图像区域的一致性，采用合并复原策略，充分利用两个区域的信息，从而有效地修复图像缺陷；

综上所述，该方法在图像质量优化过程中综合考虑了多个因素，包括不同通道的信息、图像质量差异的定位与处理、动态调整优化策略以及相似度对比和复原机制，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。

附图说明

图1是本发明的流程图；

图2是双通道超分辨率优化方法的流程图；

图3是基于深度学习的图像质量优化系统的结构图。

具体实施方式

在本申请的描述中，所属技术领域的技术人员应当知道，本申请可以实现为方法、装置、电子设备及计算机可读存储介质。因此，本申请可以具体实现为以下形式：完全的硬件、完全的软件（包括固件、驻留软件、微代码等）、硬件和软件结合的形式。此外，在一些实施例中，本申请还可以实现为在一个或多个计算机可读存储介质中的计算机程序产品的形式，该计算机可读存储介质中包含计算机程序代码。

上述计算机可读存储介质可以采用一个或多个计算机可读存储介质的任意组合。计算机可读存储介质包括：电、磁、光、电磁、红外或半导体的系统、装置或器件，或者以上任意的组合。计算机可读存储介质更具体的例子包括：便携式计算机磁盘、硬盘、随机存取存储器、只读存储器、可擦除可编程只读存储器、闪存、光纤、光盘只读存储器、光存储器件、磁存储器件或以上任意组合。在本申请中，计算机可读存储介质可以是任意包含或存储程序的有形介质，该程序可以被指令执行系统、装置、器件使用或与其结合使用。

本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律的相关规定。

本申请通过流程图和/或方框图描述所提供的方法、装置、电子设备。

应当理解，流程图和/或方框图的每个方框以及流程图和/或方框图中各方框的组合，都可以由计算机可读程序指令实现。这些计算机可读程序指令可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，从而生产出一种机器，这些计算机可读程序指令通过计算机或其他可编程数据处理装置执行，产生了实现流程图和/或方框图中的方框规定的功能/操作的装置。

也可以将这些计算机可读程序指令存储在能使得计算机或其他可编程数据处理装置以特定方式工作的计算机可读存储介质中。这样，存储在计算机可读存储介质中的指令就产生出一个包括实现流程图和/或方框图中的方框规定的功能/操作的指令装置产品。

也可以将计算机可读程序指令加载到计算机、其他可编程数据处理装置或其他设备上，使得在计算机、其他可编程数据处理装置或其他设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其他可编程数据处理装置上执行的指令能够提供实现流程图和/或方框图中的方框规定的功能/操作的过程。

下面结合本申请中的附图对本申请进行描述。

实施例一：如图1至图2所示，本发明的基于深度学习的图像质量优化方法，具体包括以下步骤：

S1、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；

双通道超分辨率技术是一种利用深度学习方法改善图像质量的技术，图像一般被表示为多个通道，对于彩色图像，常见的通道数为红、绿、蓝三通道，传统的超分辨率技术主要关注单通道的图像重建，而双通道超分辨率技术则通过同时考虑多个通道的信息来提高图像的分辨率和质量；

所述双通道超分辨率优化方法，包括：

S11、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；在图像处理中，插值是一种常用的技术，用于估计已知点之间未知点的值，对于超分辨率，插值用于增加图像中的像素数量，使得图像看起来更加清晰和细致；

S12、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；利用像素之间的空间关系，采用基于邻域的算法，从图像中提取信息，通过对图像进行块匹配来估计缺失像素。

在本步骤中，通过插值方法，对原图像中已知像素周围的像素进行插值，能够增加图像的分辨率，使图像更加清晰和细致；双通道超分辨率技术利用深度学习方法，通过考虑多个通道的信息来提高图像的分辨率和质量，与传统的单通道超分辨率技术相比，双通道超分辨率更能充分利用图像中不同通道的相关性和信息，从而提供更准确的重建结果；

兼顾了简单插值和更高级的信息提取、像素推断技术，能够全面地优化图像的分辨率，克服简单插值可能引入的伪影，提高超分辨率的效果；基于邻域的算法以及块匹配技术，利用像素之间的空间关系，有助于从原图像中提取更多的信息，通过考虑像素在局部区域内的关联性，这些算法能够更准确地推断缺失的像素，进一步提高图像的分辨率；

综上所述，双通道超分辨率优化方法通过综合运用插值和深度学习技术，以及考虑多通道信息和空间关系，能够显著提高图像的分辨率和质量。

S2、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；

图像质量差异区域提取方法包括：

S21、使用深度学习方法，构建一个用于二分类的模型，使其学习区分第一和第二优化图像之间的质量差异；

S22、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，指定哪些区域存在质量差异；

S23、使用准备好的训练数据集对模型进行训练，在训练过程中，优化网络参数以最小化差异识别任务的损失函数；

S24、预设一阶阈值，用于确定哪些差异是显著的；

S25、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；

S26、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。

在本步骤中，通过使用深度学习模型，系统能够自动学习第一和第二优化图像之间的质量差异，无需手动规定差异的特征或规则，提高了系统的智能性和自适应性；模型能够学习复杂的图像特征，使得在训练数据集之外的图像上也能较好地进行差异识别，提高模型的准确性和泛化性；构建训练数据集并进行手动标注使得模型能够从数据中学习质量差异的模式，从而更好地适应特定任务的需求；

预设的一阶阈值允许系统根据具体需求对图像质量差异的敏感性进行调整，使得方法在应对不同类型图像或质量标准时更具灵活性；通过比较差异映射中的像素值与一阶阈值，系统能够准确地定位并提取出存在质量差异的图像区域，为后续的处理步骤提供明确的信息；

综上所述，本步骤结合深度学习技术，使得系统更具自适应性和智能性，提高了在图像处理中解决质量问题的效率和精度。

S3、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；

步骤S3通过计算图像质量差异区域占原图像面积的比值，以评估图像质量损失的程度，以了解优化后图像相对于原始图像的失真程度；以下是本步骤的详细介绍：

S31、使用图像处理技术，计算第一和第二优化图像中质量差异区域的面积；

S32、将图像质量差异区域面积除以原始图像的总面积，获得图像质量差异占比；

通过计算的图像质量差异占比，能够量化地了解到优化后图像的失真程度，较高的差异占比意味着更多的图像区域经过优化后出现了质量损失。

在本步骤中，通过计算质量差异占比，能够定量化地度量优化后图像相对于原始图像的失真程度，帮助了解图像经过优化后的质量变化；使用图像处理技术计算质量差异区域的面积，使得能够准确地定位在优化过程中引入的失真；如果图像质量差异占比较高，系统能够提示存在较大的质量损失，进而进行问题定位，以便于深入分析优化算法中的缺陷，并采取相应的改进措施，提高图像处理的效果；

综上所述，步骤S3为系统提供了一个可操作的、定量的图像质量评估指标，使得整个图像处理流程更加自动化和可控。

S4、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；

步骤S4通过设定阈值，判断图像质量差异的程度，并在差异较大的情况下进行更加细致的处理，考虑了图像处理中对于失真的敏感性，避免了在整体图像优化中引入过多的失真，同时保证了整体图像质量的提升；

所述二阶阈值的设定影响因素包括：

A、图像质量标准，定义图像质量的标准，包括颜色保真度、清晰度、对比度；不同应用场景对图像质量有不同的要求，因此阈值的选择需要考虑应用的具体需求；

B、图像处理应用的敏感性，不同的图像处理应用对图像质量的敏感性不同，阈值的设定应考虑具体应用的敏感性；

C、原始图像的特性，原始图像中存在的缺陷类型和程度，这些缺陷的性质会影响到设定二阶阈值的阈值水平；

D、用户体验需求，用户对于图像处理结果的期望不同，若用户更注重整体图像质量，则需要设定较低的阈值，若用户对细节要求极高，则需要更高的阈值。

在本步骤中，二阶阈值的设定使得系统能够在图像质量差异占比较小的情况下，选择直接输出第一优化图像和第二优化图像中的一张，而不进行进一步处理，避免了不必要的细致处理，减少了计算资源的浪费；

对于图像质量差异占比较大的情况，系统选择提取存疑区域，避免了在整体图像优化中引入过多的失真；通过随机选择第一优化图像和第二优化图像中的一张作为最终输出，系统保留了整体图像的质量，而不是简单地舍弃其中一张，提高用户体验；

综上所述，步骤S4使得图像处理系统在提高图像质量的同时，更加智能地根据图像质量差异的程度进行有选择性的处理，符合实际应用中对图像处理效果和效率的双重追求。

S5、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；

所述原图像存疑区域双通道超分辨率优化方法包括：

S51、针对每个存疑区域，独立进行处理，将存疑区域裁剪出来，形成多个不规则形状的区域；

S52、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；

S53、对每个原图像存疑区域输入至训练好的模型，生成两个优化图像，即第一区域优化图像和第二区域优化图像。

在本步骤中，通过独立处理每个存疑区域，系统能够根据每个区域的特定特征和失真进行个性化的优化，从而提高优化的效果；利用深度学习模型，将低分辨率的存疑区域作为输入，并以高分辨率图像作为输出目标，模型能够学习原图像中的细节和结构，以更准确地重建存疑区域，并利用双通道信息进行更全面的优化；

针对存疑区域进行独立优化避免了对整张图像进行全局优化的可能缺陷，全图优化可能会由于不同区域的质量差异而导致过度平滑或失真，而此方法通过有针对性地处理存疑区域，更好地保留了图像的细节和结构，提高超分辨率优化的效果；由于模型是通过训练数据学习的，它能够适应各种图像质量差异和失真类型，提高在实际应用中的鲁棒性；

综上所述，步骤S5能够精确地处理图像中存在质量差异的区域，为最终的图像质量提升提供了更为有效的手段，使得优化结果更符合原图像的局部特征和真实细节。

S6、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；

S6步骤对第一区域优化图像和第二区域优化图像进行相似度对比，以确定是否存在足够的相似性来进行合并复原，本步骤旨在综合考虑两个优化区域的信息，以最终确定原图像的最佳优化结果；最终优化图像输出方法包括：

S61、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；所述相似度度量方法包括结构相似性指数SSIM、均方误差MSE；

S62、预设第三阈值，作为判断两个区域是否足够相似的标准；

S63、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是否足够相似；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，则需要考虑进行合并复原；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，说明原图像存在缺陷，无法进行优化；

S64、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，获得一个最终综合考虑了两个区域信息的图像；

S65、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。

在本步骤中，通过对第一区域优化图像和第二区域优化图像进行相似度对比，有助于确保在合并复原时，对于不同区域的差异性能够被合理地处理；使用预设的第三阈值作为相似度标准，允许了一个自适应的决策机制，能够更好地适应不同图像的特点；

当相似度未达到预设第三阈值时，明确指出原图像存在缺陷，无法进行优化；有助于避免在存在较大图像差异的情况下，不合理地进行合并复原，从而保护图像质量；在合并复原后，通过随机选择一张复原后的图像作为最终优化图像，引入了一定的随机性；这有助于在相似度较高的情况下，不总是选择相同的图像，增加了结果的多样性；

综上所述，S6步骤通过智能地综合考虑不同区域的优化结果，根据相似度阈值进行自适应决策，有效地解决了超分辨率图像质量优化中可能出现的差异性处理问题，提高了最终优化图像的质量和适用性。

实施例二：如图3所示，本发明的基于深度学习的图像质量优化系统，具体包括以下模块；

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；

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；

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；

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；

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；

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。

该系统通过使用双通道超分辨率优化模块，能够同时处理多通道的图像信息，提高了图像质量优化的全面性和准确性；引入图像质量差异识别与区域提取模块，系统能够针对原图像中存在的质量差异，精确地提取出差异区域，有助于针对性地进行后续处理；通过图像质量差异分析模块，系统对差异区域进行定量分析，计算差异区域面积与原图像面积之间的比值，提供了更深入的图像质量信息；决策模块通过与预设阈值的比对，实现自适应决策，决策机制使得系统能够根据具体情况采取不同的处理策略，提高了系统的灵活性和适应性；

引入了第二双通道超分辨率优化模块，专门处理存疑区域，通过对存疑区域的进一步优化，系统提高了对原图像缺陷的处理能力；相似度分析与图像复原模块在处理存疑区域时，通过相似度对比，判断是否能够合并复原图像，这样的机制在处理图像缺陷时，能够更好地保留图像的一致性和完整性；在决策模块中，采用随机任选一张图像作为最终优化图像的策略，有助于避免过度依赖某一方向的优化，提高了系统的鲁棒性；

综上所述，该系统在处理图像质量优化时更全面、准确，同时具备一定的自适应性和灵活性，能够应对不同类型的图像及其质量问题。

前述实施例一中的基于深度学习的图像质量优化方法的各种变化方式和具体实施例同样适用于本实施例的基于深度学习的图像质量优化系统,通过前述对基于深度学习的图像质量优化方法的详细描述,本领域技术人员可以清楚的知道本实施例中基于深度学习的图像质量优化系统的实施方法,所以为了说明书的简洁,在此不再详述。

此外,本申请还提供了一种电子设备,包括总线、收发器、存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,该收发器、该存储器和处理器分别通过总线相连，计算机程序被处理器执行时实现上述控制输出数据的方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

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：

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；

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；

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；

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；

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；

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；

其中，所述双通道超分辨率优化方法，包括：

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；

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；

其中，图像质量差异区域提取方法包括：

使用深度学习方法，构建一个二分类的模型；

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；

使用准备好的训练数据集对模型进行训练；

预设一阶阈值，确定显著差异；

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；

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；

其中，所述原图像存疑区域双通道超分辨率优化方法包括：

针对每个存疑区域，独立进行处理，将存疑区域裁剪出来；

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；

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；

其中，最终优化图像输出方法包括：

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；

预设第三阈值，作为判断两个区域相似度的标准；

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；

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；

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。

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，所述相似度度量方法包括结构相似性指数、均方误差。

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，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。

4.一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：

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；

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；

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；

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；

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；

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；

其中，双通道超分辨率优化方法，包括：

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；

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；

其中，图像质量差异区域提取方法包括：

使用深度学习方法，构建一个二分类的模型；

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；

使用准备好的训练数据集对模型进行训练；

预设一阶阈值，确定显著差异；

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；

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；

其中，所述原图像存疑区域双通道超分辨率优化方法包括：

针对每个存疑区域，独立进行处理，将存疑区域裁剪出来；

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；

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；

其中，最终优化图像输出方法包括：

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；

预设第三阈值，作为判断两个区域相似度的标准；

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；

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；

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。

5.一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，其特征在于，所述计算机程序被所述处理器执行时实现如权利要求1-3中任一项所述方法中的步骤。

6.一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1-3中任一项所述方法中的步骤。