CN112907518B - 检测方法、装置、设备、存储介质及程序产品 - Google Patents

Abstract

本公开提供了检测方法、装置、设备、存储介质及程序产品，涉及计算机视觉、大数据等技术领域。具体实现方案为：确定待检测图像中，亮度变化量超过变化量阈值的点；根据所述亮度变化量超过变化量阈值的点，确定所述待检测图像中的多个边缘线；根据所述边缘线，确定所述待检测图像是否存在显示故障。本公开能够提高显示故障的检测准确性。

Description

检测方法、装置、设备、存储介质及程序产品

技术领域

本公开涉及计算机技术技术领域，尤其涉及计算机视觉、大数据等技术领域。

背景技术

随着现代科技的发展，各种智能媒体设备普及，视频这种媒介也深入到人们日常生活、民生基建、商业服务等方方面面，因此视频相关的研究和技术也在不断发展和进步，在视频使用和技术研究过程中，经常会遇到视频的画面异常显示的问题。比如，视频的画面出现花屏，这是视频最常见也是最棘手的问题之一。视频的画面异常显示的现象多种多样，产生的原因也不尽相同，高效快速地检测视频中的帧图像的异常显示状况，不仅有助于进行视频筛选、提高视频质量，还能帮助定位异常显示的原因，从而解决引起异常显示问题的一些根本原因，比如视频编解码器问题、视频渲染问题，甚至推动相应硬件的功能和性能升级。

发明内容

本公开提供了一种用于检测方法、装置、设备、存储介质及程序产品。

根据本公开的一方面，提供了一种检测方法，包括：

确定待检测图像中，亮度变化量超过变化量阈值的点；

根据亮度变化量超过变化量阈值的点，确定待检测图像中的多个边缘线；

根据边缘线，确定待检测图像是否存在显示故障。

根据本公开的另一方面，提供了一种检测装置，包括：

点模块，用于确定待检测图像中，亮度变化量超过变化量阈值的点；

边缘线模块，用于根据亮度变化量超过变化量阈值的点，确定待检测图像中的多个边缘线；

第一显示故障模块，用于根据边缘线，确定待检测图像是否存在显示故障。

根据本公开的另一方面，提供了一种电子设备，包括：

至少一个处理器；以及

与该至少一个处理器通信连接的存储器；其中，

该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行本公开任一实施例中的方法。

根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现本公开任一实施例中的方法。

根据本公开的技术，能够根据边缘线确定待检测图像是否为存在显示故障的图像，操作简单，不需要复杂的运算，尤其是对马赛克、色条、规则性扭曲等显示故障的情况，具有可靠性较高的检测效果。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开一实施例的检测方法示意图；

图2是根据本公开另一实施例的检测方法示意图；

图3是根据本公开一示例的花屏示意图；

图4是根据本公开一示例的检测方法示意图；

图5是根据本公开一实施例的检测装置示意图；

图6是根据本公开另一实施例的检测装置示意图；

图7是根据本公开又一实施例的检测装置示意图；

图8是根据本公开又一实施例的检测装置示意图；

图9是用来实现本公开实施例的检测方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

本公开实施例首先提供一种检测方法，如图1所示，包括：

步骤S11：确定待检测图像中，亮度变化量超过变化量阈值的点；

步骤S12：根据亮度变化量超过变化量阈值的点，确定待检测图像中的多个边缘线；

步骤S13：根据边缘线，确定待检测图像是否存在显示故障。

在一种可能的实现方式中，待检测图像可以为待检测视频中的帧图像。

亮度变化量超过变化量阈值的点，可以是待检测图像中的部分像素点。

在一种可能的实现方式中，可以通过将待检测图像转化为灰度图像，通过灰度图像确定亮度变化量超过变化量阈值的像素点构成的线条或面，再将线条或面所包含的点作为亮度变化量超过变化量阈值的点。

在一种可能的实现方式中，可以通过直接进行亮度计算的方式，得到亮度变化量超过变化量阈值的点。

本实施例中，可以通过将待检测图像进行灰度化处理，转换为灰度图像，将灰度图像进行边缘化处理，在边缘化处理的过程中，根据亮度变化量超过变化量阈值的点，确定待检测图像中的多个边缘线。

根据边缘线，确定待检测图像是否存在显示故障，具体可以包括：根据边缘线的形状，确定待检测图像是否存在显示故障。

比如，判断多个边缘线是否为形状相似的边缘线，在多个边缘线为形状相似的边缘线的情况下，确定待检测图像存在显示故障。

再如，判断是否为形状相似的边缘线，在多个边缘线中设定比例的边缘线为形状相似的边缘线的情况下，确定待检测图像存在显示故障。

根据边缘线，确定待检测图像是否存在显示故障，具体还可以包括：根据边缘线的形状和分布范围，确定待检测图像是否存在显示故障。

比如，判断多个边缘线是否为形状相似的边缘线，在多个边缘线为形状相似的边缘线且在画面中的分布范围超过设定的分布范围的情况下，确定待检测图像存在显示故障。

待检测图像存在显示故障，也可以称为待检测图像异常显示，具体可以包括待检测图像为花屏的情况。花屏可以是指视频播放显示过程中出现非正常的图像，比如图像中有斑点或色块、色条、马赛克，或有图像错位、颠倒、扭曲等混乱的现象。

本公开实施例中，能够根据边缘线确定待检测图像是否为存在显示故障的图像，操作简单，不需要复杂的运算，尤其是对马赛克、色条、规则性扭曲等显示故障的情况，具有可靠性较高的检测效果。

在一种实施方式中，在多个边缘线均为直线的情况下，根据边缘线，确定待检测图像是否存在显示故障，包括：

确定各个边缘线的斜率；

根据各个边缘线的斜率的分布集中程度，确定待检测图像是否存在显示故障。

本实施例中，首先可以确定边缘线是否为直线，或确定边缘线中的部分边缘线是否为直线。

在一种可能的实现方式中，可以将边缘线上的任意两点进行连接，确定任意两点的连线和边缘线是否重合，通过此类方式确定边缘线是否为直线。

在一种可能的实现方式中，可以将直线度在设定直线度偏差范围内的边缘线确定为直线，直线度可以根据寻找包含此直线的两条平行直线的最小距离来确定。

在一种可能的实现方式中，各个边缘线的斜率，可以根据统一的参考坐标系进行确定。比如，可以将与待检测图像长边和短边平行的轴作为X轴和Y轴，进行斜率的计算。

各个边缘线的斜率的分布集中程度，具体可以包括处于同一斜率范围的边缘线的数量和在总数量中所占比例。

比如，待检测图像中存在100个边缘线，各个边缘线的斜率中，处于第一斜率范围的边缘线数量为A，处于第二斜率范围的边缘线数量为B……。

在一种可能的实现方式中，各个边缘线的斜率的分布集中程度，可以铜鼓对各个边缘线的斜率进行聚类操作，获得斜率分布的集中程度。比如，待检测图像中存在100个边缘线，对100个边缘线的100个斜率数值进行聚类操作，获得100个斜率数值中，分布最为集中的斜率值或斜率值范围。

本实施例中，通过计算各个边缘线的斜率，能够准确地检测出，待检测图像中存在直线花屏等异常显示的情况。

在一种实施方式中，根据多个边缘线中的所有边缘线的斜率的分布集中程度，确定待检测图像是否存在显示故障，包括：

将斜率处于异常斜率范围的边缘线确定为异常边缘线，统计异常边缘线的数量；

确定异常边缘线的数量与边缘线的总数量的第一比值；

根据第一比值确定分布集中程度；

在分布集中程度超过设定的集中程度范围的情况下，确定待检测图像为存在显示故障的图像。

在另一种可能的实现方式中，可以将斜率进行聚类，确定分布最为集中的至少一个斜率值；确定分布最为集中的至少一个斜率值中，每个斜率值对应的边缘线数量在边缘线总数量中所占比例，将比例高于设定的集中程度范围的边缘线，确定为异常边缘线；在待检测图像中存在异常边缘线的情况下，确定待检测图像存在显示故障。

在一种可能的实现方式中，根据第一比值确定分布集中程度，可以是将第一比值作为分布集中程度。

分布集中程度超过设定的集中程度范围，具体可以是分布集中程度在设定的集中程度范围之中。例如，设定的集中程度范围为0-30％，第一比值为35％，则可以确定分布集中程度超过设定的集中程度范围。

本实施例中，能够根据边缘线的斜率范围，确定分布集中程度，在分布集中程度超过集中程度范围的情况下，确定待检测图像中的边缘线可能为异常显示的边缘线，进而确定待检测图像存在显示故障，从而对直线花屏等显示故障情况能够较为准确地进行检测。

在一种实施方式中，确定待检测图像中，亮度变化量超过变化量阈值的点，包括：

确定待检测图像的灰度图像；

根据灰度图像，确定亮度变化量超过变化量阈值的点。

在待检测图像为彩色图像的情况下，确定待检测图像的灰度图像，可以是将待检测图像进行灰度化处理，得到待检测图像的灰度图像。

在待检测图像本身就是灰度图像的情况下，可以根据待检测图像，确定亮度变化量超过变化量阈值的点。

本实施例中，亮度变化量可以是相邻像素点之间的亮度变化量。

根据灰度图像，确定亮度变化量超过变化量阈值的点，能够准确地检测出待检测图像中的边缘线，从而后续更为准确地进行显示故障的判断操作。

在一种实施方式中，根据灰度图像，确定亮度变化量超过变化量阈值的点，包括：

将灰度图像进行边缘化处理，得到待检测图像的边缘图像；

根据边缘图像，确定与相邻像素点的亮度变化量超过变化量阈值的点。

本实施例中，边缘图像，可以是对待处理的图像进行边缘提取后得到的图像。边缘是图像性区域和另一个属性区域的交接处，是区域属性发生突变的地方，是图像中不确定性最大的地方，也是图像信息最集中的地方，图像的边缘包含着丰富的信息。

具体的，可以基于某种固定的局部运算方法，如：微分法，拟合法等边缘提取方法进行灰度图像的边缘提取，获得边缘图像。

在另一种可能的实现方式中，可以以能量最小化为准则的全局提取方法，获得边缘图像。这种方法的特征是运用严格的数学方法对此问题进行分析，给出一维值代价函数作为最优提取依据，从全局最优的观点提取边缘。具体可以包括松驰法，神经网络分析法等。

在另一种可能的实现方式中，可以以小波变换、数学形态学、分形理论等图像边缘提取方法进行灰度图像的边缘提取，获得边缘图像。

本实施例中，在待检测图像存在花屏等显示故障的情况下，花屏画面的边缘图像中，花屏线条通常以较为突出的方式存在，通过将待检测图像的灰度图像转换为边缘图像，从边缘图像中检测出边缘线，从而能够准确获得在存在花屏等显示故障画面时，花屏在待检测图像中产生的显示特征，进而能够准确检测出花屏等显示故障。

在一种实施方式中，如图2所示，待检测图像为待检测视频中的视频帧图像；方法还包括：

步骤S21：确定待检测视频中所有视频帧图像中的存在显示故障的视频帧图像的数量；

步骤S22：确定存在显示故障的视频帧图像的数量与待检测视频中的视频帧图像的总数量的第二比值；

步骤S23：在第二比值大于视频异常阈值的情况下，确定待检测视频存在显示故障。

本实施例中，可以采用图1所示的方法，对待检测视频进行逐帧检测，确定全部视频帧中，存在显示故障的视频帧图像。

还可按照设定的规律，对待检测视频进行抽帧操作，确定抽取的视频帧中，存在显示故障的视频帧图像。

视频异常阈值可以为存在显示故障的视频帧图像占全部待检测图像的比例阈值，在未超过该阈值的情况下，即使有少量视频帧图像存在显示故障，也可认为待检测视频为正常显示的视频。

在另一种可能的实现方式中，可以在第二比值大于视频异常阈值的情况下，根据存在显示故障的视频帧图像所出现的位置，确定待检测视频存在显示故障。

针对存在固定片头和固定片尾的待检测视频，在第二比值大于视频异常阈值的情况下，存在显示故障的视频帧图像所出现的位置若为视频开头或视频结尾等重要性不高的位置，则可进行忽略，可认定待检测视频为正常显示的视频。

在另一种可能的实现方式中，针对存在固定片头和固定片尾的待检测视频，可以设定不同的视频异常阈值，针对待检测视频的片头部分、片尾部分和中间部分，分别采用不同的视频异常阈值。

本实施例中，能够通过待检测视频中，存在显示故障的视频帧图像的比例，确定待检测视频是否为存在显示故障的视频，从而能够对视频的质量进行筛查，提高视频的制作、发布、检测的质量和效率。

本公开示例中，检测方法可以应用于可能存在线性花屏等显示故障的待检测视频，确定待检测视频中是否存在线性花屏。主要可以针对由于视频编解码过程中，由于图像数据编解码的数据错位或部分丢失造成的线性花屏的检测，线性花屏的表现可以如图3所示。在一种可能的实现方式中，线性花屏可以表现为彩色图像的线性花屏、黑白图像的线性花屏或灰度图像的线性花屏。

由于视频是由一系列连续的视频帧组成的，因此对待检测视频的花屏检测，实际上就是对视频所有帧进行花屏检测，然后把所有视频帧图像的检测结果聚合得到整个视频花屏检测结果。

在一种示例中，检测方法可以包括：首先获取待检测视频的视频帧图像，获得视频帧图像的灰度图像，根据灰度图像进行边缘检测，得到灰度图像的边缘图像；然后对边缘图像进行直线检测处理，得到边缘图像的所有直线；最后对得到的所有直线进行斜率计算，并根据斜率划分直线分布，根据直线分布，判断图像中直线的占比，从而判断该图像是否是线性花屏。

在一种示例中，检测方法可以包括如图4A所示的步骤：

步骤S41：根据待检测视频，获得原始图像数据。

步骤S42：对原始图像数据进行灰度处理，获得灰度图像。

步骤S43：对灰度图像进行边缘检测。

对待检测帧图像进行灰度处理和边缘检测，目的是得到原始图像数据的边缘图像，方便后续进行直线检测。

图像的灰度处理是指将一幅彩色图像转化为灰度图像的过程，处理的方法有多种，比如：可以使用opencv等开源的计算机视觉处理工具，调用其中的cvtColor()函数获取灰度图像。OpenCV是一个基于BSD(Berkeley Software Distribution，伯克利软件套件)许可开源发行的跨平台计算机视觉和机器学习软件库，可以运行在Linux、Windows、Android(安卓)和Mac OS(Mac Operation System，苹果操作系统)操作系统上。

再如，也可以使用一些灰度化算法对原始图像数据进行灰度处理，根据图像每个像素点的RGB(Red Green Blue，红绿蓝)值计算出像素点的灰度值(RGB值的最大值法、平均值法、加权平均值法等)，从而得到整个图像的灰度化结果。

图像边缘检测是标识图像中亮度变化明显的点，也是一种比较常见的图像处理方法，有较多的方法可用。比如：使用opencv里的Canny边缘检测算子，这是一种非常经典的边缘检测算子。再如，还可以采用使用了导数分割原理计算的算子，如：Roberts Cross算子，Prewitt算子，Sobel算子，Laplacian算子等。

步骤S44：对边缘图像进行直线检测。

由于本示例针对线性花屏进行检测，即利用的是图像中直线状态来进行判断，因此必须要对图像进行直线检测，获取图像内的所有直线。直线检测算法有多种，比如，可以使用霍夫变换算法，这是一种应用非常广泛的直线检测算法。霍夫变换的基本思想是点线的对偶性，把图像空间中的直线检测问题转换成参数空间中对点的检测问题,通过在参数空间里进行简单的累加统计完成检测任务。此外还可采用其它的直线检测算法，如：Freeman(自由人)直线检测算法等。

步骤S45：根据斜率划分直线分布并确定检测结果。

根据步骤S44中检测出的图像内所有直线，可以通过对所有直线进行计算和分析确定帧图像是否花屏，从而确定视频是否花屏，具体算法如下。

首先计算图像内分离出的每一个直线的斜率，并将斜率值和对应斜率值的直线条数，作为键值对存储在关联容器中。然后根据预先设定的一个具有相同斜率的直线条数阈值，判断每个斜率是否是异常斜率并记录下来。

在一种可能的实现方式中：比如预设的阈值为10条，斜率为0.8的直线的条数如果大于等于10条，则认为此斜率是异常斜率并记录下来。最后，根据预设的异常直线占比，与分布在异常斜率中的直线条数占总直线条数的比例相比较，确定图像是否是线性花屏，也就是说：假设异常斜率有8个，共91条直线都分布在这8个斜率里，而总直线条数为100，预设的异常直线占比为90％，那么91/100>90％，可以确定此图像是一个线性花屏图像，反之则不是花屏图像。最后根据整个视频中花屏帧的占比确定视频的花屏状态。

图4B为本公开示例中，图像处理示意图。按照箭头方向，依次是原始图像数据(Origin Frame)、灰度图像(Gray Frame)、边缘图像(Canny Frame)、直线检测图像(LineFrame)。

本公开示例提供的检测方法简单易用，能够快速检测出编解码过程中由于数据错误造成的线性花屏问题，针对线性花屏问题，检测结果准确性也高于现有的不区分花屏类型的检测算法。

本公开实施例能够有效解决线性花屏的检测问题，不需要大量算法模块训练和计算，检测效率高，且相比传统算法由于针对性强检测结果可信性更高。

本公开实施例还提供一种检测装置，如图5包括：

点模块51，用于确定待检测图像中，亮度变化量超过变化量阈值的点；

边缘线模块52，用于根据亮度变化量超过变化量阈值的点，确定待检测图像中的多个边缘线；

第一显示故障模块53，用于根据边缘线，确定待检测图像是否存在显示故障。

在一种实施方式中，如图6所示，在多个边缘线均为直线的情况下，第一显示故障模块53包括：

斜率单元61，用于确定各个边缘线的斜率；

斜率分布单元62，用于根据各个边缘线的斜率的分布集中程度，确定待检测图像是否存在显示故障。

在一种实施方式中，斜率分布单元还用于：

将斜率处于异常斜率范围的边缘线确定为异常边缘线，统计异常边缘线的数量；

确定异常边缘线的数量与边缘线的总数量的第一比值；

根据第一比值确定分布集中程度；

在分布集中程度超过设定的集中程度范围的情况下，确定待检测图像为存在显示故障的图像。

在一种实施方式中，如图7所示，点模块51包括：

灰度单元71，用于确定待检测图像的灰度图像；

灰度图像处理单元72，用于根据灰度图像，确定亮度变化量超过变化量阈值的点。

在一种实施方式中，灰度图像处理单元还用于：

将灰度图像进行边缘化处理，得到待检测图像的边缘图像；

根据边缘图像，确定与相邻像素点的亮度变化量超过变化量阈值的点。

在一种实施方式中，待检测图像为待检测视频中的视频帧图像；如图8所示，检测装置还包括：

数量模块81，用于确定待检测视频中所有视频帧图像中的存在显示故障的视频帧图像的数量；

第二比值模块82，用于确定存在显示故障的视频帧图像的数量与待检测视频中的视频帧图像的总数量的第二比值；

第二显示故障模块83，用于在第二比值大于视频异常阈值的情况下，确定待检测视频存在显示故障。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或要求的本公开的实现。

如图9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序来执行各种适当的动作和处理。在RAM 903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906，例如键盘、鼠标等；输出单元907，例如各种类型的显示器、扬声器等；存储单元908，例如磁盘、光盘等；以及通信单元909，例如网卡、调制解调器、无线通信收发机等。通信单元909允许电子设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理，例如检测方法。例如，在一些实施例中，检测方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的检测方法的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行检测方法。

本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入、或者触觉输入来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (12)

1.一种检测方法，包括：

确定待检测图像中，亮度变化量超过变化量阈值的点；

根据所述亮度变化量超过变化量阈值的点，确定所述待检测图像中的多个边缘线；

根据所述边缘线，确定所述待检测图像是否存在显示故障；

其中，在多个边缘线均为直线的情况下，所述根据所述边缘线，确定所述待检测图像是否存在显示故障，包括：确定各个所述边缘线的斜率；根据所述各个边缘线的斜率的分布集中程度，确定所述待检测图像是否存在显示故障。

2.根据权利要求1所述的方法，其中，所述根据所述多个边缘线中的所有边缘线的斜率的分布集中程度，确定所述待检测图像是否存在显示故障，包括：

将斜率处于异常斜率范围的边缘线确定为异常边缘线，统计所述异常边缘线的数量；

确定所述异常边缘线的数量与所述边缘线的总数量的第一比值；

根据所述第一比值确定所述分布集中程度；

在所述分布集中程度超过设定的集中程度范围的情况下，确定所述待检测图像为存在显示故障的图像。

3.根据权利要求1所述的方法，其中，所述确定待检测图像中，亮度变化量超过变化量阈值的点，包括：

确定所述待检测图像的灰度图像；

根据所述灰度图像，确定所述亮度变化量超过变化量阈值的点。

4.根据权利要求3所述的方法，其中，所述根据所述灰度图像，确定所述亮度变化量超过变化量阈值的点，包括：

将所述灰度图像进行边缘化处理，得到所述待检测图像的边缘图像；

根据所述边缘图像，确定与相邻像素点的亮度变化量超过变化量阈值的点。

5.根据权利要求1-4中任意一项所述的方法，其中，所述待检测图像为待检测视频中的视频帧图像；所述方法还包括：

确定所述待检测视频中所有视频帧图像中的存在显示故障的视频帧图像的数量；

确定所述存在显示故障的视频帧图像的数量与所述待检测视频中的视频帧图像的总数量的第二比值；

在所述第二比值大于视频异常阈值的情况下，确定所述待检测视频存在显示故障。

6.一种检测装置，包括：

点模块，用于确定待检测图像中，亮度变化量超过变化量阈值的点；

边缘线模块，用于根据所述亮度变化量超过变化量阈值的点，确定所述待检测图像中的多个边缘线；

第一显示故障模块，用于根据所述边缘线，确定所述待检测图像是否存在显示故障；

其中，在多个边缘线均为直线的情况下，所述第一显示故障模块包括：斜率单元，用于确定各个所述边缘线的斜率；斜率分布单元，用于根据所述各个边缘线的斜率的分布集中程度，确定所述待检测图像是否存在显示故障。

7.根据权利要求6所述的装置，其中，所述斜率分布单元还用于：

将斜率处于异常斜率范围的边缘线确定为异常边缘线，统计所述异常边缘线的数量；

确定所述异常边缘线的数量与所述边缘线的总数量的第一比值；

根据所述第一比值确定所述分布集中程度；

在所述分布集中程度超过设定的集中程度范围的情况下，确定所述待检测图像为存在显示故障的图像。

8.根据权利要求6所述的装置，其中，所述点模块包括：

灰度单元，用于确定所述待检测图像的灰度图像；

灰度图像处理单元，用于根据所述灰度图像，确定所述亮度变化量超过变化量阈值的点。

9.根据权利要求8所述的装置，其中，所述灰度图像处理单元还用于：

将所述灰度图像进行边缘化处理，得到所述待检测图像的边缘图像；

根据所述边缘图像，确定与相邻像素点的亮度变化量超过变化量阈值的点。

10.根据权利要求6-9中任意一项所述的装置，其中，所述待检测图像为待检测视频中的视频帧图像；所述装置还包括：

数量模块，用于确定所述待检测视频中所有视频帧图像中的存在显示故障的视频帧图像的数量；

第二比值模块，用于确定所述存在显示故障的视频帧图像的数量与所述待检测视频中的视频帧图像的总数量的第二比值；

第二显示故障模块，用于在所述第二比值大于视频异常阈值的情况下，确定所述待检测视频存在显示故障。

11. 一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使计算机执行权利要求1-5中任一项所述的方法。

Images