[发明专利]基于深度辅助学习的图像增强及盲图质量评价网络系统

摘要

本发明提出了一种基于深度辅助学习的图像增强及盲图质量评价子网络，包括图像增强子网络以及质量评价子网络；同时对图像增强及盲图质量评价进行训练，旨在利用两个任务之间的补充信息提高它们的性能。一方面，图像增强网络将作为原始图像的模糊图像分离为清晰图像和差异图像，清晰图像作为伪参考图像，差异图像作为失真信息，提高盲图质量评价的准确度。另一方面，通过将质量分数的排序信息反馈给增强网络，可以有效的避免过度增强，提升图像增强的性能。经验证结果表明，本发明盲图质量评价的准确度高，图像增强的性能好。

主权项

1.基于深度辅助学习的图像增强及盲图质量评价网络，其特征在于，包括图像增强子网络以及质量评价子网络；图像增强子网络包括判别器、生成器与加法器，原始图像一方面输入至生成器的输入端，另一方面输入至加法器的一个输入端；生成器用于提取输入图像的失真信息后再进行卷积上采样输出与原始图像大小一致的失真谱，将失真信息输出至质量评价子网络，将失真谱输出至加法器的一个输入端；加法器将原始图像与失真谱进行相加取均值得到增加图像；图像增强子网络的训练阶段中，输入生成器的为基于参考图像的模糊图像，生成器根据判别器输出的相似度判别结果以及接收到的来自于质量评价子网络的质量分数来调整生成器参数使得增强图像逼近参考图像；判别器用于在图像增强子网络的训练阶段中，接收输入的参考图像以及生成器输出的参考图像并进行相似度判别，并输出相似度判别结果至生成器；质量评价子网络包括原始图像特征提取支路、失真信息特征提取支路、增强图像特征提取支路、特征级联模块、混合池化模块、全连接层、Sigmoid激活函数；原始图像作为原始图像特征提取支路的输入，生成器输出的失真信息作为失真信息特征提取支路的输入，加法器输出的增强图像作为增强图像特征提取支路的支路，三个特征提取支路的输出至特征级联模块，特征级联模块输出级联后的特征至混合池化模块进行最大、最小和平均池化，再将混合池化后的级联特征输入至全连接层后再进入Sigmoid激活函数后，Sigmoid激活函数输出该原始图像的质量分数；质量评价子网络的训练阶段中，还将质量分数反馈回图像增强子网络的生成器。