1.基于时频关联自适应学习模型的图像质量裂化评估方法，其特征在于，所述方法包括：S1、按照预置采集数目以及采集尺寸，收集原始差异类别图像；S2、根据所述原始差异类别图像，获取原始图像集；S3、对所述原始图像集，进行傅里叶变换操作，以获取频谱图像，构成频谱图像集；S4、将所述频谱图像、所述原始差异类别图像，输入至残差神经网络，以进行特征提取得到频谱图像特征、原始图像特征，对所述频谱图像特征、所述原始图像特征进行特征融合，以得到融合特征，将所述融合特征输入动态调节参数BP神经网络，据以构建自适应学习模型；其中，所述S4包括：S41、将所述原始图像集、所述频谱图像集，输入所述残差神经网络；S42、利用所述残差神经网络，对所述频谱图像、所述原始差异类别图像进行特征提取，得到频谱图初步提取特征、原始图初步提取特征；其中，通过所述残差神经网络中的一层卷积层、残差模块，处理所述频谱图像集、所述原始差异类别图像，以提取得到所述频谱图初步提取特征、所述原始图初步提取特征；S43、将所述频谱图初步提取特征、所述原始图初步提取特征，输入至降采样残差模块、残差模块，以对所述原始图像集、所述频谱图像集与所述频谱图初步提取特征、所述原始图初步提取特征，循环执行连接操作，以获得频谱图像分布特征、原始图像强度分布特征；S44、将所述频谱图像分布特征、所述原始图像强度分布特征输入全连接层，以将所述频谱图像分布特征、所述原始图像强度分布特征的特征向量，映射到不同类别，以得到全连接层输出特征；S45、利用所述全连接层，对所述全连接层输出特征进行特征融合操作，以得到所述融合特征；S46、利用所述动态调节参数BP神经网络，对所述融合特征进行评估分类，利用交叉熵损失函数，构建、训练所述自适应学习模型；S5、利用所述自适应学习模型，对所述频谱图像、所述原始差异类别图像进行图像裂化质量评估分类操作，以得到图像质量裂化评估结果。
2.根据权利要求1所述的基于时频关联自适应学习模型的图像质量裂化评估方法，其特征在于，所述S3中，使用下述二维离散傅里叶变换逻辑，进行所述傅里叶变换操作，以获得所述频谱图像：式中， 为频域中的复数值，其中 和 是频率索引， 表示所述原始差异类别图像中的像素值，其中 、 分别为所述原始差异类别图像中像素的横坐标、纵坐标， 是虚数单位， 和 分别是所述原始差异类别图像的宽度和高度， 表示像素横坐标的频率索引， 表示像素纵坐标的频率索引， exp 表示指数函数。
3.根据权利要求1所述的基于时频关联自适应学习模型的图像质量裂化评估方法，其特征在于，所述S42中，利用下述逻辑提取所述频谱图初步提取特征、所述原始图初步提取特征：式中， 代表第 张输入图像， 为第 张输出特征图像， 代表对所述第 张输入图像的卷积操作， 代表对所述第 张输入图像依次进行所述卷积操作、残差模块操作。
4.根据权利要求1所述的基于时频关联自适应学习模型的图像质量裂化评估方法，其特征在于，所述S43中，利用所述残差模块，识别所述频谱图像、所述原始差异类别图像的残差分布特征 F ：式中， 代表对第 张输入图像的3×3卷积操作， 代表对第 张输入图像的二次卷积操作。
5.根据权利要求1所述的基于时频关联自适应学习模型的图像质量裂化评估方法，其特征在于，所述S43包括：S431、在所述降采样残差模块中，利用下述逻辑，对所述频谱图初步提取特征、所述原始图初步提取特征，进行残差连接操作、降采样操作：式中， 代表对分布特征的降采样残差操作结果， 代表对第 张输入图像进行1×1卷积操作和3×3卷积操作， 代表对所述第 张输入图像依次进行1×1卷积操作、3×3卷积操作以及1×1卷积操作；S432、利用下述逻辑执行所述连接操作：式中， 为输出特征， 表示连接操作， 表示对第 张输入图像依次进行降采样残差操作、残差操作。
6.根据权利要求1所述的基于时频关联自适应学习模型的图像质量裂化评估方法，其特征在于，所述步骤S46中，利用下述逻辑，表达所述交叉熵损失函数：式中， 表示真实标签的第 个元素， 表示模型对第 个类别的预测概率， 是交叉熵损失， n 表示元素总数。
7.根据权利要求1所述的基于时频关联自适应学习模型的图像质量裂化评估方法，其特征在于，所述步骤S5包括：S51、将预构建数据集输入所述自适应学习模型，以获得模型参数；S52、对所述频谱图像、所述原始差异类别图像，根据所述模型参数，进行所述残差神经网络的参数共享操作，以得到泛化特征；S53、固定所述残差神经网络的参数，对所述动态调节参数BP神经网络的参数进行优化训练，得到适用神经网络模型，据以进行所述图像裂化质量评估分类操作。
