1.一种基于边缘密度的云端协作图像超分辨率分析方法，其特征在于，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；

在云端，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，在本地，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；

所述将云端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，包括：对从云端下载的高清图块与本地的高清图像块对像素点进行高斯滤波，构造Hessian矩阵，计算特征值，找出特征点，定位关键点位置；

通过构造高斯金字塔构建尺度空间；

采用非极大值抑制法进行特征点定位，筛选稳定的特征点；

确定特征点主方向并构造特征描述子；

通过计算两个特征的欧氏距离判断两个特征点的匹配度。

2.如权利要求1所述的基于边缘密度的云端协作图像超分辨率分析方法，其特征在于，所述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。

3.如权利要求2所述的基于边缘密度的云端协作图像超分辨率分析方法，其特征在于，所述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。

4.如权利要求1所述的基于边缘密度的云端协作图像超分辨率分析方法，其特征在于，所述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。

5.如权利要求4所述的基于边缘密度的云端协作图像超分辨率分析方法，其特征在于，所述上传边缘密度值大于阈值的低清图像块到云端，包括：设置阈值为0.6，大于边缘密度阈值的低清图块上传至至云端。

6.如权利要求1所述的基于边缘密度的云端协作图像超分辨率分析方法，其特征在于，还包括：采用Hessian矩阵迹的判断两个特征点的匹配度。

7.一种基于边缘密度的云端协作图像超分辨率分析系统，其特征在于，包括：边缘密度提取模块，用于检测低清图像的边缘密度、并计算低清图像的边缘密度值；

图像分割模块，用于根据低清图像的边缘密度值范围对低清图像分块、并对边缘密度值大于阈值的低清图像块上传至云端，对边缘密度值小于阈值的低清图像块保持在本地；

图像超分辨率处理模块，在云端，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，在本地，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；

图像融合模块，将云端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；

所述图像融合模块，具体用于：

对从云端下载的高清图块与本地的高清图像块对像素点进行高斯滤波，构造Hessian矩阵，计算特征值，找出特征点，定位关键点位置；

通过构造高斯金字塔构建尺度空间；

采用非极大值抑制法进行特征点定位，筛选稳定的特征点；

确定特征点主方向并构造特征描述子；

通过计算两个特征的欧氏距离判断两个特征点的匹配度。

8.如权利要求7所述的基于边缘密度的云端协作图像超分辨率分析系统，其特征在于，还包括：云端服务器，部署深度学习超分模型espcn，用于处理边缘密度值大的低清图像块，生成高清图像块；

移动端，用于对低清图像块进行双三次插值处理生成高清图像块，下载云端的高清图像块、并对所有高清图像块融合生成高清图像。