[发明专利]基于元学习的画质增强系统及方法、存储介质

说明书

本发明公开了一种基于元学习的画质增强系统及方法、存储介质，该系统包括依次连接的去噪处理网络、去模糊处理网络和超分处理网络；所述去噪处理网络，用于对输入图像进行去噪处理；所述去模糊处理网络，用于对输入图像进行去模糊处理；所述超分处理网络，用于对输入图像进行超分辨处理。本系统整合了图像增强技术，实现了去噪，去模糊和超分辨的联合任务，并且通过元迁移学习去模糊算法，加快了去模糊网络的训练速度，降低了训练复杂性，使得图像增强网络有了更好的普适性。该方法指根据特定的需要突出图像中的重要信息，同时减弱或去除不需要的信息，通过元学习使网络训练的效率提高，同时也能提高网络的效果。

技术领域

本发明涉及图像处理技术领域，特别是一种基于元学习的画质增强方法及系统、存储介质。

背景技术

因为手抖或焦点选择等问题，相机拍摄的图像中常常存在模糊状况。同时低分辨率是安全视频和老视频容易发现的问题，图片噪声是图片运输过程中常见的图片质量下降的问题。这些都是计算机视觉和图像处理的基本问题，这些问题影响着对图片有着高质量需求的各行业，例如，清晰的医疗图像对于医生做出正确的诊断是非常有帮助的；使用高分辨率无噪声的卫星图像就很容易从相似物中区别相似的对象；如果能够提供更加清晰的图像，图像中包含的信息就更加多，计算机视觉中的模式识别的性能就会大大提高。

为了得到高质量的清晰的图像，画质增强是不可缺少的方案。画质增强主要从三个方面对图像进行处理，分别是图像去模糊(deblur)、图像去噪(denoise)以及图像的超分操作(super-resolution)。而传统的图像画质增强办法，比如滤波去噪，对图像的处理效果有限，而且传统算法对时间的开销较大。现阶段的技术主要靠向基于元学习的画质增强操作，已经有不少的优秀的算法可以实现画质增强中的单一任务，而且也有使用一个网络来同时实现去模糊和超分操作。但是去噪任务和其他任务的融合并没有优秀的算法，融合三个任务的一些算法的结果也不尽人意。

因此，需要一种基于元学习的画质增强系统及方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于元学习的画质增强系统及方法，该方法整合了现有的图像增强技术，通过联合采取去噪，去模糊和超分辨处理实现了图像画质增强。

为达到上述目的，本发明提供如下技术方案：

本发明提供的基于元学习的画质增强系统，包括依次连接的去噪处理网络、去模糊处理网络和超分处理网络；

所述去噪处理网络，用于对输入图像进行去噪处理；

所述去模糊处理网络，用于对输入图像进行去模糊处理；

所述超分处理网络，用于对输入图像进行超分辨处理。

进一步，所述去噪处理网络采用DNCNN网络；所述DNCNN网络依次包括卷积层和线性整流层、卷积层加批归一化层和线性整流层、卷积层；

所述卷积层和线性整流层作为去噪处理网络的第一层，经过第一层的处理输出特征图；

由若干所述卷积层加批归一化层和线性整流层构成去噪处理网络的第二层，用于对第一层输出数据依次进行卷积处理、批归一化处理和线性整流处理；

所述卷积层作为去噪处理网络的输出层，采用卷积处理实现残差输出。

进一步，所述去模糊处理网络采用多重尺度的去模糊网络，所述多重尺度的去模糊网络为SRN-DeblurNet网络；所述SRN-DeblurNet网络依次包括输入端、编码器、编码器、长短期记忆网络、去模糊单元、解码器、输出端；所述SRN-DeblurNet网络各组成部分构成一个对称的U型网络，用于对输入图像进行多次的特征提取和重建复原。