[发明专利]基于边缘密度的云端协作图像超分辨率分析方法及系统

说明书

本发明公开了基于边缘密度的云端协作图像超分辨率分析方法及系统，包括：包括边缘密度提取模块、图像分割模块、图像超分辨率处理模块和图像融合模块，首先对低清图像的边缘密度进行检测，计算低清图像的边缘密度值，基于边缘密度值对图像进行分块，根据设定的图像边缘密度阈值对高于阈值的图片上传到云服务器，利用基于深度学习的超分辨率模型进行处理，其余图片在本地进行双三次差值处理，最后将云端超分辨率模型处理后的图片同移动端本地处理的图片进行融合渲染，生成高分辨率图像。该发明在保证图像超分辨率还原效果的前提下，降低图像超分辨处理时间，具有广阔的应用前景。

技术领域

本发明涉及图像超分辨率技术领域，更具体的涉及基于边缘密度的云端协作图像超分辨率分析方法及系统。

背景技术

自第五代信息技术革命以来，人类社会进入数字信息化时代。随着智能设备的发展，高清显示器达到了一个新的水平，人们所使用的设备屏幕分辨率越来越高，例如HDTV为1920*1080，某些超高清电视为3840*2160，某些移动设备为2048*1536。尽管如此，为了保证设备的正常运行，我们在某些图像场景中还是在某种程度上牺牲了分辨率，例如某些数字监控产品。由此可见，图像低延时超分已成为一个亟需解决的问题。

在图像超分辨率方面，已有许多学者进行了大量研究并有许多模型。其中espcn模型在LR(低清)空间内提取特征，同时引入一个亚像素卷积层，有效降低了超分辨率还原(SR)的计算复杂度。

目前，针对现有的图像超分辨率方法中存在：端到端时延过高、云处理卸载时图像质量被压缩问题。

发明内容

本发明实施例提供基于边缘密度的云端协作图像超分辨率分析方法，包括：

获取低清图像；

检测低清图像的边缘密度、并计算低清图像的边缘密度值；

根据低清图像的边缘密度值范围对低清图像分块、并上传边缘密度值大于阈值的低清图像块到云端，将边缘密度值小于阈值的低清图像块保持在本地；

云端采用基于深度学习超分模型处理边缘密度值大的低清图像块，生成高清图像块，本地采用双三次插值方法处理边缘密度值小的低清图像块，生成高清图像块；

将云端服务器的高清图像块下载到本地，采用基于SURF算法与本地生成的高清图像块融合成高清图像。

进一步地，检测低清图像的边缘密度，包括：

采用Canny边缘检测算法检测低清图像的边缘密度。

更进一步地，Canny边缘检测算法，包括：

将低清图像灰度化，并用高斯滤波器对低清图像去噪，高斯滤波器的计算公式包括：

其公式为：

其中，(m,n)为像素点位置，f(m,n)为灰度值；

计算低清图像梯度幅值及相应的方向；

利用非极大值抑制算法排除非边缘像素；

利用双阈值法抑制假边缘，连接真边缘，高与低阈值比一般在2:1和3:1之间；

返回低清图像的边缘密度。

进一步地，根据低清图像的边缘密度值范围对低清图像分块，包括：

低清图像边缘密度值为0.3及以下的进行16*16分块，低清图像边缘密度值为0.3至0.6的进行4*4分块，对于低清图像边缘密度值大于0.6的进行4*4分块，对于低清图像边缘密度值大于0.8的不分块。

更进一步地，上传边缘密度值大于阈值的低清图像块到云端服务器，包括：