一种基于云端自主学习的图像缩放方法及系统技术方案

本发明专利技术公开了一种基于云端自主学习的图像缩放方法及系统，方法包括步骤：预先在云端服务器通过样本学习生成不同分辨率对应的分级残差图块库；云端服务器检测到客户端发送的浏览请求时，云端服务器对图片进行标定、分块处理后，再根据分级残差图块库对图块进行分级缩放处理；获取分级缩放处理后的图块，根据图块进行优化拟合，优化拟合完成后生成目标图片，将目标图片发送至客户端进行显示。本发明专利技术可通过云端自主学习的方式，对图像实现在多分辨率需求的场景下的缩放，并且保证缩放后图片质量，为用户在不同分辨率的终端上都可看到清晰的图像。

【技术实现步骤摘要】
一种基于云端自主学习的图像缩放方法及系统
本专利技术涉及图像处理
，尤其涉及一种基于云端自主学习的图像缩放方法及系统。
技术介绍
当前的终端显示器，从超大的户外巨幕显示屏，8K电视等，到智能手机显示屏，其屏幕大小的不同，对显示清晰度的要求也不同；而当屏幕硬件能够显示各种分辨率的同时，如果图像本身的清晰度不够高，那么在大屏幕上的显示效果依然是非常差劲的，容易出现模糊，色斑等情况。现有的不同分辨率的终端显示器显示图片采用设计师手工的给出常见场景的目标分辨率的图片或是采用传统的插值方法进行图像缩放。采用设计师手工的给出常见场景的目标分辨率的图片的方法能够保证考虑到了的图片的质量，但人工成本高，而且屏幕的适配远远不够。传统的图像缩放其原理大多都采用插值的方法来做，例如根据虚拟像素点坐标的四个实际像素点来进行加权平均而得到目标像素点的值，本质上该方法依然是插值法，只是权重因子有所差异。或是根据彩色图片的压缩率进行图像锐化处理，然后进行缩放的方法，然而锐化处理会使得图像的噪点也得到增强，而当再进行缩放的时候，该方案依然采用的插值法缩放，进而会增大图像噪点。因此传统的图像缩放方法，都是以插值法作为基础模型然后进行改进，都不可避免的会导致色斑、模糊、变形等问题，影响用户观看。因此，现有技术还有待于改进和发展。
技术实现思路
鉴于现有技术的不足，本专利技术目的在于提供一种基于云端自主学习的图像缩放方法及系统，旨在解决现有技术中传统的图像缩放方法，都是以插值法作为基础模型然后进行改进，都不可避免的会导致色斑、模糊、变形等问题，影响用户观看的技术问题。本专利技术的技术方案如下：一种基于云端自主学习的图像缩放方法，其中，方法包括步骤：预先在云端服务器通过样本学习生成不同分辨率对应的分级残差图块库；云端服务器检测到客户端发送的浏览请求时，云端服务器对图片进行标定、分块处理后，再根据分级残差图块库对图块进行分级缩放处理；获取分级缩放处理后的图块，根据图块进行优化拟合，优化拟合完成后生成目标图片，将目标图片发送至客户端进行显示。所述的基于云端自主学习的图像缩放方法，其中，所述预先在云端服务器通过样本学习生成不同分辨率对应的分级残差图块库具体包括步骤：预先在云端服务器构建基于纹理类型分类的初始样本集；根据初始样本集的类型进行分类采集学习以及对图片进行分级残差学习；对图片分类进行不断训练后构建出不同图片的分级残差图块库。所述的基于云端自主学习的图像缩放方法，其中，所述云端服务器检测到客户端发送的浏览请求时，云端服务器对图片进行标定、分块处理后，再根据分级残差图块库对图块进行分级缩放处理具体包括步骤：云端服务器检测到客户端上传图片，对上传图片进行标定对齐处理；对标定对齐处理后的图片进行分块处理生成图块；云端服务器根据客户端的目标分辨率通过分级残差图块库来匹配填充和重建缩放后的细节，对分块后的图块进行缩放处理。所述的基于云端自主学习的图像缩放方法，其中，所述获取分级缩放处理后的图块，根据图块进行优化拟合，优化拟合完成后生成目标图片，将目标图片发送至客户端进行显示具体包括步骤：获取分级缩放处理后的图块进行拟合合并，获取拟合衔接处与插值缩放算法的相同位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法；若拟合算法优于插值缩放算法，则优化拟合完成生成目标图片，将目标图片发送至客户端进行显示；若拟合算法未优于插值缩放算法，则计算出调整因子，重新选择残差图块进行缩放处理，并重新进行拟合合并，直到检测到拟合算法优于插值缩放算法，则优化拟合完成并生成目标图片，将目标图片发送至客户端进行显示。所述的基于云端自主学习的图像缩放方法，其中，所述获取拟合衔接处与插值缩放算法的相同位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法具体包括：获取拟合拟合衔接处与插值缩放算法的相同位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法；若拟合衔接处的锯齿边缘比插值缩放算法的相同位置的锯齿边缘小，则拟合算法优于插值缩放算法；若拟合衔接处的锯齿边缘比插值缩放算法的相同位置的锯齿边缘大或相同，则拟合算法不优于插值缩放算法。一种基于云端自主学习的图像缩放系统，其中，系统包括：预先学习模块，用于预先在云端服务器通过样本学习生成不同分辨率对应的分级残差图块库；图像缩放模块，用于云端服务器检测到客户端发送的浏览请求时，云端服务器对图片进行标定、分块处理后，再根据分级残差图块库对图块进行分级缩放处理；优化拟合模块，用于获取分级缩放处理后的图块，根据图块进行优化拟合，优化拟合完成后生成目标图片，将目标图片发送至客户端进行显示。所述的基于云端自主学习的图像缩放系统，其中，所述预先学习模块具体包括：样本集构建单元，用于预先在云端服务器构建基于纹理类型分类的初始样本集；学习单元，用于根据初始样本集的类型进行分类采集学习以及对图片进行分级残差学习；图块库构建单元，用于对图片分类进行不断训练后构建出不同图片的分级残差图块库。所述的基于云端自主学习的图像缩放系统，其中，所述图像缩放模块具体包括：标定对齐单元，用于云端服务器检测到客户端上传图片，对上传图片进行标定对齐处理；分块处理单元，用于对标定对齐处理后的图片进行分块处理生成图块；缩放处理单元，用于云端服务器根据客户端的目标分辨率通过分级残差图块库来匹配填充和重建缩放后的细节，对分块后的图块进行缩放处理。所述的基于云端自主学习的图像缩放系统，其中，所述优化拟合模块具体包括：拟合与判断单元，用于获取分级缩放处理后的图块进行拟合合并，获取拟合衔接处与插值缩放算法的相同位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法；第一控制单元，用于若拟合算法优于插值缩放算法，则优化拟合完成生成目标图片，将目标图片发送至客户端进行显示；第二控制单元，用于若拟合算法未优于插值缩放算法，则计算出调整因子，重新选择残差图块进行缩放处理，并重新进行拟合合并，直到检测到拟合算法优于插值缩放算法，则优化拟合完成并生成目标图片，将目标图片发送至客户端进行显示。所述的基于云端自主学习的图像缩放系统，其中，所述拟合与判断单元具体包括：获取拟合拟合衔接处与插值缩放算法的相同位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法；若拟合衔接处的锯齿边缘比插值缩放算法的相同位置的锯齿边缘小，则拟合算法优于插值缩放算法；若拟合衔接处的锯齿边缘比插值缩放算法的相同位置的锯齿边缘大或相同，则拟合算法不优于插值缩放算法。本专利技术提供了一种基于云端自主学习的图像缩放方法及系统，本专利技术可通过云端自主学习的方式，对图像实现在多分辨率需求的场景下的缩放，并且保证缩放后图片质量，为用户在不同分辨率的终端上都可看到清晰的图像。附图说明图1为本专利技术的一种基于云端自主学习的图像缩放方法的较佳实施例的流程图。图2为本专利技术的一种基于云端自主学习的图像缩放方法的较佳实施例的系统架构示意图。图3为本专利技术的一种基于云端自主学习的图像缩放方法的具体应用实施例的残差图块的优化拟合流程图。图4为本专利技术的一种基于云端自主学习的图像缩放系统的较佳实施例的功能原理框图。具体实施方式为使本专利技术的目的、技本文档来自技高网...

【技术保护点】
一种基于云端自主学习的图像缩放方法，其特征在于，方法包括步骤：预先在云端服务器通过样本学习生成不同分辨率对应的分级残差图块库；云端服务器检测到客户端发送的浏览请求时，云端服务器对图片进行标定、分块处理后，再根据分级残差图块库对图块进行分级缩放处理；获取分级缩放处理后的图块，根据图块进行优化拟合，优化拟合完成后生成目标图片，将目标图片发送至客户端进行显示。

【技术特征摘要】
1.一种基于云端自主学习的图像缩放方法，其特征在于，方法包括步骤：预先在云端服务器通过样本学习生成不同分辨率对应的分级残差图块库；云端服务器检测到客户端发送的浏览请求时，云端服务器对图片进行标定、分块处理后，再根据分级残差图块库对图块进行分级缩放处理；获取分级缩放处理后的图块，根据图块进行优化拟合，优化拟合完成后生成目标图片，将目标图片发送至客户端进行显示。2.根据权利要求1所述的基于云端自主学习的图像缩放方法，其特征在于，所述预先在云端服务器通过样本学习生成不同分辨率对应的分级残差图块库具体包括步骤：预先在云端服务器构建基于纹理类型分类的初始样本集；根据初始样本集的类型进行分类采集学习以及对图片进行分级残差学习；对图片分类进行不断训练后构建出不同图片的分级残差图块库。3.根据权利要求2所述的基于云端自主学习的图像缩放方法，其特征在于，所述云端服务器检测到客户端发送的浏览请求时，云端服务器对图片进行标定、分块处理后，再根据分级残差图块库对图块进行分级缩放处理具体包括步骤：云端服务器检测到客户端上传图片，对上传图片进行标定对齐处理；对标定对齐处理后的图片进行分块处理生成图块；云端服务器根据客户端的目标分辨率通过分级残差图块库来匹配填充和重建缩放后的细节，对分块后的图块进行缩放处理。4.根据权利要求3所述的基于云端自主学习的图像缩放方法，其特征在于，所述获取分级缩放处理后的图块，根据图块进行优化拟合，优化拟合完成后生成目标图片，将目标图片发送至客户端进行显示具体包括步骤：获取分级缩放处理后的图块进行拟合合并，获取拟合衔接处与插值缩放算法的相同位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法；若拟合算法优于插值缩放算法，则优化拟合完成生成目标图片，将目标图片发送至客户端进行显示；若拟合算法未优于插值缩放算法，则计算出调整因子，重新选择残差图块进行缩放处理，并重新进行拟合合并，直到检测到拟合算法优于插值缩放算法，则优化拟合完成并生成目标图片，将目标图片发送至客户端进行显示。5.根据权利要求4所述的基于云端自主学习的图像缩放方法，其特征在于，所述获取拟合衔接处与插值缩放算法的相同位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法具体包括：获取拟合衔接处与插值缩放算法的相同的位置比较锯齿效应，根据锯齿效应判断拟合衔接处对应的拟合算法是否优于插值缩放算法；若拟合衔接处的锯齿边缘比插值缩放算法的相同位置的锯齿边缘小，则拟合算法优于插值缩放算法；若拟合衔接处的锯齿边缘比...

【专利技术属性】
技术研发人员：曾金龙，
申请(专利权)人：深圳创维RGB电子有限公司，
类型：发明
国别省市：广东,44