[发明专利]一种基于云计算的图形处理系统

权利要求书

1.一种基于云计算的图形处理系统,其特征在于，所述基于云计算的图形处理系统包括：

用于感知识别不同显示终端的类型、屏幕尺寸及分辨率信息，为可视媒体资源的显示适配提供基础数据的视觉终端感知系统；

用于对所述视觉终端感知系统感知识别的不同显示终端的类型、屏幕尺寸及分辨率信息进行存储和计算的数据存储与处理系统；

用于对所述可视媒体资源进行分析、压缩、显示适配计算，根据计算得到的指标参数数据和所述视觉终端感知系统感知识别的终端特征信息对可视媒体资源进行适配处理的可视媒体处理系统；

用于将所述可视媒体处理系统进行适配处理后的可视媒体资源按设定方式进行缩放后发送给显示终端进行展示的视觉媒体显示系统；

视觉终端感知系统感知识别的不同显示终端包括物联网终端、智能手机终端、计算机教学辅助视频图形阵列VGA显示屏或校园电子公告板并均通过信号与数据存储与处理系统连接；

所述数据存储与处理系统设置有大数据存储器和处理器；所述大数据存储器和处理器均通过信号与可视媒体处理系统连接；

所述可视媒体处理系统设置有视频重适配器并通过信号与视觉媒体显示系统连接；

所述视觉媒体显示系统设置有显示终端，所述显示终端通过信号与视频重适配器连接；

所述显示终端设置有模糊度评价模块、模糊度调整模块、显示器；所述模糊度评价模块用于获取可视媒体处理系统传输的处理后的可视媒体图像，并计算滤波前后图像统计信息比值；

所述模糊度调整模块与模糊度评价模块相连，用于调整原可视媒体图像模糊度并得出最终图像和图像模糊度评价指标；

所述显示器与模糊度调整模块连接，用于显示模糊度调整模块得出的最终图像和图像模糊度评价指标；

利用模糊度评价模块、模糊度调整模块对图像模糊度评价方法为：

步骤一，图像获取，通过地质影像采集器获取待评价的地质层图像；

步骤二，图像灰度化，为方便图像的边缘提取，利用数字图像处理中RGB图像的R、G、B各个通道的像素值与灰度图像像素值的转换关系将彩色图像转化为灰度图像，公式如下：

Gray＝R*0.3+G*0.59+B*0.11；

步骤三，图像边缘提取，利用数字图像处理方法中的Roberts算子边缘检测技术作用于灰度图像获取图像的边缘，不同的检测算子具有不同的边缘检测模板，根据具体模板计算交叉像素的差分作为当前像素值，使用模板如下：

E(i,j)＝|F(i,j)-F(i+1,j+1)|+|F(i+1,j)-F(i,j+1)|；

步骤四，图像处理，利用高通/低通滤波器对灰度图像进行滤波处理以构造待评价图像的参考图像，采用3*3均值滤波器，利用滤波模板遍历图像每个像素，每次将模板中心置于当前像素，以模板内所有像素的平均值作为当前像素新值，模板如下：

步骤五，图像边缘统计信息计算，分别计算图像滤波前后各自边缘灰度信息，滤波处理前的待评价图像F统计信息为sum_orig,滤波处理后的参考图像F2统计信息为sum_filter,具体计算公式如下：

其中，w1与w2是根据离中心像素的距离设定的权值，w1＝1，w2＝1/3；

步骤六，图像模糊度指标计算，将步骤五得出的图像滤波前后边缘灰度统计信息的比值作为模糊度指标，为方便评价，取较大的为分母，较小的为分子，保持该值介于(0,1)之间；

步骤七，根据最佳视觉效果的DMOS范围得出对应的一个模糊度指标范围[min,max],具体为：

得出模糊度调整范围，利用上述步骤中的模糊度评价方法评价LIVE2中的174幅高斯模糊图像，计算出它们各自的模糊度评价值，然后利用拟合工具plot(value,DMOS)建立评价值value与DMOS之间的映射关系，根据最佳视觉效果对应的DMOS范围得出对应的一个模糊评价值范围[min，max]；

步骤八，图像模糊度调整，若图像模糊度指标小于min，根据步骤六，判定图像滤波前后变化很大，原图像过于锐化，则利用低通滤波器进行滤波调整；若大于max，判定图像滤波前后变化很小，原图像过于模糊，则利用高通滤波器进行滤波调整，以达到更佳视觉效果；

步骤九，得出最终图像和该图像模糊度评价指标，并显示在显示屏上；

所述视觉终端感知系统设置有视觉终端感知模块，视觉终端感知模块的信号采集方法包括：

首先，用感知设备在独立的采样周期内对目标信号x(t)进行采集，并用A/D方式对信号进行数字量化；

然后，对量化后的信号x(i)进行降维；

最后，对降维后的信号进行重构；其中t为采样时刻，i为量化后的信号排序；

对量化后的信号进行降维，具体是对量化后的信号通过有限脉冲响应滤波器的差分方程其中h(0),…,h(L-1)为滤波器系数，设计基于滤波的压缩感知信号采集框架，构造如下托普利兹测量矩阵：

则观测其中b₁,…,b_L看作滤波器系数；子矩阵Φ_FT的奇异值是格拉姆矩阵G(Φ_F,T)＝Φ′_FTΦ_FT特征值的算术根，验证G(ΦF,T)的所有特征值λi∈(1-δ_K,1+δ_K),i＝1,…,T，则Φ_F满足RIP，并通过求解如下式最优化问题来重构原信号：

即通过线性规划方法来重构原信号，亦即BP算法；

针对实际压缩信号，修改Φ_F为如下形式：

如果信号在变换基矩阵Ψ上具有稀疏性，则通过求解如下式最优化问题，精确重构出原信号：

其中Φ与Ψ不相关，Ξ称为CS矩阵。