CN113496476A - 花屏图像判断方法、设备及计算机存储介质 - Google Patents

Abstract

本发明公开了一种花屏图像判断方法、设备及计算机存储介质，方法包括：对单张图像进行灰度处理，得到对应的灰度图像；将所述灰度图像做傅里叶变换，得到对应的频谱图；对所述频谱图中的亮点的特征进行量化，并得到量化结果；根据所述量化结果，判断所述单张图像是否为花屏图像。本发明提供的花屏图像判断方法，能够提高花屏图像的判断正确率。

Description

花屏图像判断方法、设备及计算机存储介质

技术领域

本发明涉及图像处理技术领域，具体地说，涉及一种花屏图像判断方法、设备及计算机存储介质。

背景技术

在对单张图像花屏自动检测工作中，目前没有一个可行的识别方法。在实际工作中大多数都是靠人工检测视频情况，筛选出有花屏问题的图像。人工检测效率低下，且容易遗漏。

现有的单张图像花屏自动识别方法大多是在空域中，根据视频相邻帧的变化来判定图像是否存在花屏或马赛克等问题。由于相邻两幅图像多变性和不确定性，因此这种方法导致误判率非常高，通常在百分之二十以上，无法应用到实际工作中。

发明内容

本发明的目的在于提供一种花屏图像判断方法、设备及计算机存储介质，能够提高花屏图像的判断正确率。

本发明公开的花屏图像判断方法所采用的技术方案是:

一种花屏图像判断方法，包括：对单张图像进行灰度处理，得到对应的灰度图像；将所述灰度图像做傅里叶变换，得到对应的频谱图；对所述频谱图中的亮点的特征进行量化，并得到量化结果；根据所述量化结果，判断所述单张图像是否为花屏图像。

作为优选方案，所述将所述灰度图像做傅里叶变换，得到对应的频谱图的步骤之前还包括：对所述灰度图像进行去噪点处理。

作为优选方案，所述将所述灰度图像做傅里叶变换，得到对应的频谱图的步骤还包括：所述灰度图像做傅里叶变换之后进行对数变换。

作为优选方案，所述对所述频谱图中的亮点的特征进行量化，并得到量化结果的步骤包括：将频谱图中亮点的位置分布与亮度强弱的关系作为亮点的特征；采用图像不变矩来描述频谱图中亮点的分布稠密程度和亮度的强弱；根据图像不变矩得到亮点位置分布与亮度强弱的关系。

作为优选方案，所述对所述频谱图中的亮点的特征进行量化，并得到量化结果的步骤还包括：将频谱图的虚部中的亮点数量作为亮点的另一特征；统计相应亮点的数量。

作为优选方案，所述对所述频谱图中的亮点的特征进行量化，并得到量化结果的步骤还包括：将频谱图的实部中的亮点数量与其虚部亮点的数量比值作为亮点的另一特征；分别统计相应亮点的数量，计算得到对应比值。

作为优选方案，所述根据所述量化结果，判断所述单张图像是否为花屏图像的步骤包括：根据亮点的特征构建弱分类器；将量化结果代入弱分类器，得到判断结果。

作为优选方案，所述根据所述量化结果，判断所述单张图像是否为花屏图像的步骤包括：确定亮点的多个特征；根据亮点的多个特征对应构建多个弱分类器；根据多个弱分类器构建级联分类器；将多个特征的量化结果分别代入级联分类器，得到判断结果。

作为优选方案，所述根据多个弱分类器构建级联分类器的步骤包括：对多个弱分类器分别赋予权重，所述权重与其花屏图像判断正确率相对应；多个弱分类器分别对单张图像进行判断；将每个弱分类器的判断结果乘以对应权重后作为输出结果。

作为优选方案，构建弱分类器的步骤包括：随机选取多个阈值，每一个阈值对应构建一个分类器；统计所有分类器的特征值，并按照分类器的花屏图像判断正确率从大到小进行排序；统计属于花屏图像的特征值总和t1和属于非花屏图像的特征值总和t0；统计第i个样本之前的所有属于花屏图像的总和s1和属于非花屏图像的总和s0；计算r＝min((s1+(t0-s0)),s0+(t1-s1))，得到的最小值r为所求的阈值；确定阈值后构建弱分类器，如下所示：

其中，x为量化结果，f是特征值，p控制不等号方向，θ是阈值。

本方案还提供一种设备，包括处理器以及存储器，所述存储器存储有计算机指令，所述计算机指令适用于所述处理器加载并执行上述的方法。

本方案还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述的方法。

本发明公开的实施例的有益效果是：对单张图像进行灰度处理以得到对应的灰度图像，将灰度图像做傅里叶变换以得到对应的频谱图，将图像的处理由空域转移到频域，而频域能更好的体现出花屏图像的特点。然后对频谱图中的亮点的特征进行量化，并得到量化结果，最后根据量化结果判断所述单张图像是否为花屏图像，相比在空域中对图像进行判断，提高了花屏图像的判断正确率。

附图说明

图1是本实施例花屏图像判断方法的流程示意图。

图2是正常图像的频谱图(已逆时针旋转90°)。

图3是花屏图像的频谱图(已逆时针旋转90°)。

图4是图1步骤30一实施方式的流程示意图。

图5是图1步骤30另一实施方式的流程示意图。

图6是图1步骤30又一实施方式的流程示意图。

图7是本实施例提供的设备的结构示意图。

具体实施方式

下面结合具体实施例和说明书附图对本发明做进一步阐述和说明:

请参考图1，花屏图像判断方法包括:

S10：对单张图像进行灰度处理，得到对应的灰度图像；

该单张图像可以是来自相机，也可以是来自视频流中的任意一张图像帧，可以理解的是，该步骤主要是对单张图像进行处理，并不限定图像的类型以及来源。

在获取到需要进行花屏判断的图像后，先对图像进行灰度处理，以得到对应的灰度图像。在RGB模型中，图像在进行灰度变化后，其R＝G＝B，此时彩色则表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像的每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255。

S20:将所述灰度图像做傅里叶变换，得到对应的频谱图；

请参考图2和图3，灰度变化后的图像，其由三维的RGB变为一维的灰度值，此时可以对图像进行傅里叶变换。灰度图像在进行傅里叶变换后，对图像的处理由空域变为了频域。在灰度图像的傅里叶频谱上，可以看到许多明暗不一的亮点，实际上图像上某一点与邻域点灰度值差异的强弱，即梯度的大小，也即该点的频率的大小(差异/梯度越大，频率越高；差异/梯度越小，频率越低)。总体来说，如果在频谱图中，暗的点数更多，那么实际图像是比较柔和的(因为各点与邻域差异都不大，梯度相对较小)，反之，如果频谱图中亮的点数多，那么实际图像一定是尖锐的，边界分明且边界两边像素差异较大的。

进一步的，在频域下对有花屏图像的测试中，能够观察到其频谱图的中高频部分的亮点数量多，且亮点之间距离密集呈散沙状分布。这表示该图像的边缘非常多而且相距很近，图像边缘杂乱无序，这正是花屏图像具有的特征。这种频谱分布形状显著区别于正常图像，因为图像花屏的形态是随机出现的，所以图像边缘杂乱无序是比较符合花屏的特点。

在另一实施方式中，在灰度图像做傅里叶变换之前，采用高斯方法对灰度图像进行去噪点处理。由于花屏图像的特点是边缘杂乱无序，且梯度大，而图像的噪点则会影响到频域下花屏图像的边缘细节体现，导致花屏的边缘体现不够或者错误，从而导致花屏图像的错误判断。因此，对灰度图像进行去噪点处理后，使得花屏图像的花屏部分能在其频谱图中得到充分体现。

进一步的，由于傅里叶变换后的频域的数值很大，所以变换后再作对数log变换，可以清晰的体现频谱图的分布特征。

灰度图像进行傅里叶变换后，其对应的频谱图分为左右两部分，频谱图左半部分代表了频域的实部，而频谱图右半部分则代表了频域的虚部，而灰度图像的特征主要体现在频谱图的左半部分。

S30:对所述频谱图中的亮点的特征进行量化，并得到量化结果；

确定了花屏图像与其频谱图对应的关系后，对其频谱图上的亮点以统计的方式将其特征进行量化后，便可以根据量化后的结果，得到是否是花屏图像的判断结果。

请参考图4，本实施例中，步骤30具体包括:

S322:将频谱图中亮点的位置分布与亮度强弱的关系作为亮点的特征；

对频谱图左半部分的亮点进行量化统计，将改区域亮点的位置分别与亮度强弱的关系作为特征。具体的，当图像为花屏图像时，因为图像花屏的形态是随机出现的，所以花屏图像的边缘非常多而且相距很近，同时花屏图像的边缘杂乱无序，那么对应的频谱图中，其中高频部分的亮点数量会变多，且多出的亮点之间距离密集呈散沙状分布。因此，亮点的位置分布与亮度强弱的关系能很好的体现出花屏图像的特点。

S324：采用图像不变矩来描述频谱图中亮点的分布稠密程度和亮度的强弱；

采用图像不变矩(一阶hu矩)这一图像特征来描述该区域中的亮点分布的稠密程度和亮度的强弱，因为该图像特征可以很好的刻画这些亮点在图像二维空间中位置分布与亮度强弱的关系。

S326：根据图像不变矩得到亮点位置分布与亮度强弱的关系；

然后根据亮点的位置分布与亮度强弱之间的关系作为主要特征，对单张图像是否为花屏图像进行判断。

请参考图5，另一实施方式中，步骤30具体包括：

S342：将频谱图的虚部中的亮点数量作为亮点的特征；

对频谱图右半部分的亮点进行量化统计，将虚部的亮点数量作为特征。具体的，频谱图右半部分代表了频域的虚部，不管是花屏图像还是正常图像，其虚部的亮点数量远远小于其实部的亮点数量，且一般数量很少。虽然同一张图像中，其虚部的亮点数量小于实部的亮点数量，但是将花屏图像的虚部与正常图像的虚部进行比较，发现花屏图像虚部的亮点的数量相比正常图像有显著的增多。因此，虽然虚部的亮点数量很少，对于花屏图像的分布形态特征体现不是很明显，但虚部亮点的数量可以作为一个辅助特征，可以提高花屏图像判断的准确度。

S344：统计相应亮点的数量。

然后根据虚部中的亮点数量，对单张图像是否为花屏图像进行判断。

请参考图6，另一实施方式中，步骤30具体包括：

S362:将频谱图的实部中的亮点数量与其虚部亮点的数量比值作为亮点的特征；

对频谱图上的虚部亮点数量和实部亮点数量，分别进行量化统计，并将二者的比值作为特征。具体的，在花屏图像的频谱图中，其虚部区域亮点的数量与实部区域亮点的数量呈现出一定的规律性，即实部亮点数量是虚部亮点数量的一个幂函数的关系。因此，可将实部和虚部的亮点数量的比值作为一个辅助特征，来提高花屏图像判断的准确度。

S364：分别统计相应亮点的数量，计算得到对应比值。

然后根据实部中的亮点数量与其虚部亮点的数量比值，对单张图像是否为花屏图像进行判断。

步骤S30中所提到的三个特征，都可以作为花屏图像的判断依据，这些特征即可以单独用于对花屏图像进行判断，也可以任意组合的对花屏图像进行判断。同时，这些特征之间相互不影响，且又能分别体现出了花屏图像的不同特点。

S40：根据所述量化结果，判断所述单张图像是否为花屏图像。

在步骤S30中的特征进行量化后，便可根据量化的结果，对单张图像是否为花屏图像进行判断。

本实施例中，可以是步骤S30中的其中一个特征作为判断依据，可通过设定阈值，当量化后的结果大于设定阈值，则判断单张图像是为花屏图像，反之则判断单张图像是正常图像。阈值的获取，可通过构建弱分类器的方式来得到，其具体过程如下：

(1)随机选取多个阈值，每一个阈值对应构建一个分类器；

(2)统计所有分类器的特征值，并按照弱分类器的花屏图像判断正确率从大到小进行排序；

(3)统计属于花屏图像的特征值总和t1和属于非花屏图像的特征值总和t0；

(4)统计第i个样本之前的所有属于花屏图像的总和s1和属于非花屏图像的总和s0；

(5)计算r＝min((s1+(t0-s0)),s0+(t1-s1))，得到的最小值r就是所求的阈值。确定阈值后便可构建一个弱分类器，如下所示：

其中，x为图像，f是特征值，p控制不等号方向，θ是阈值。

在另一实施方式中，上述的阈值也可以是根据大数据的统计得到，具体的，可分别对大量的正常图像和花屏图像，针对对应的特征进行统计，然后分别得到该特征的一个平均值，然后根据二者的平均值设定阈值，而该阈值可用于区分正常图片和花屏图像。

在另一实施方式中，以步骤S30中的至少两个特征作为判断依据，每一个特征对应的构建一个弱分类器，构建弱分类器的方法与上述一致，然后将多个弱分类器构建级联分类器(Adaboost算法)。

具体的，根据每个弱分类器的样本判断正确率，来对应赋予弱分类器不同的权重，即正确率高的赋予较大权重，否则赋予较小权重，例如，弱分类器之间的权重比值可与其之间的正确率比值相同。当需要进行花屏图像判断时，让每一个弱分类器分别进行判断后投票(即判断是与不是)，然后根据各自的权重计算最后的投票结果，如果判断是花屏图像的权重>非花屏图像的权重，则判定为花屏图像，否则判定为非花屏图像。采用多个特征对单张图像进行判断后，可一定程度上减少误判的概率，当以上述的三个特征通过本实施例的方法作为判断方法时，经过对大量图像的验证，其误检率为千分之六，大大的提高了花屏图像判断的准确率。

本实施例对单张图像进行灰度处理以得到对应的灰度图像，将灰度图像做傅里叶变换以得到对应的频谱图，将图像的处理由空域转移到频域，而频域能更好的体现出花屏图像的特点。然后对频谱图中的亮点的特征进行量化，并得到量化结果，最后根据量化结果判断所述单张图像是否为花屏图像，相比在空域中对图像进行判断，提高了花屏图像的判断正确率。

请参考图7，本实施例还提供一种设备，包括处理器50以及存储器60，所述存储器存储有计算机指令，所述计算机指令适用于所述处理器加载并执行上述的方法。

其中，处理器还可以称为CPU(Central Processing Unit，中央处理单元)。处理器可能是一种集成电路芯片，具有信号的处理能力。处理器还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器，但不仅限于此。

本实施例还提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行以实现上述的方法。

该存储介质可以是U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质，或者是计算机、服务器、手机、平板等终端设备。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

Claims (12)

1.一种花屏图像判断方法，其特征在于，包括：

对单张图像进行灰度处理，得到对应的灰度图像；

将所述灰度图像做傅里叶变换，得到对应的频谱图；

对所述频谱图中的亮点的特征进行量化，并得到量化结果；

根据所述量化结果，判断所述单张图像是否为花屏图像。

2.如权利要求1所述的花屏图像判断方法，其特征在于，所述将所述灰度图像做傅里叶变换，得到对应的频谱图的步骤之前还包括：

对所述灰度图像进行去噪点处理。

3.如权利要求1所述的花屏图像判断方法，其特征在于，所述将所述灰度图像做傅里叶变换，得到对应的频谱图的步骤还包括：

所述灰度图像做傅里叶变换之后进行对数变换。

4.如权利要求1所述的花屏图像判断方法，其特征在于，所述对所述频谱图中的亮点的特征进行量化，并得到量化结果的步骤包括：

将频谱图中亮点的位置分布与亮度强弱的关系作为亮点的特征；

采用图像不变矩来描述频谱图中亮点的分布稠密程度和亮度的强弱；

根据图像不变矩得到亮点位置分布与亮度强弱的关系。

5.如权利要求4所述的花屏图像判断方法，其特征在于，所述对所述频谱图中的亮点的特征进行量化，并得到量化结果的步骤还包括：

将频谱图的虚部中的亮点数量作为亮点的另一特征；

统计相应亮点的数量。

6.如权利要求4所述的花屏图像判断方法，其特征在于，所述对所述频谱图中的亮点的特征进行量化，并得到量化结果的步骤还包括：

将频谱图的实部中的亮点数量与其虚部亮点的数量比值作为亮点的另一特征；

分别统计相应亮点的数量，计算得到对应比值。

7.如权利要求1所述的花屏图像判断方法，其特征在于，所述根据所述量化结果，判断所述单张图像是否为花屏图像的步骤包括：

根据亮点的特征构建弱分类器；

将量化结果代入弱分类器，得到判断结果。

8.如权利要求1所述的花屏图像判断方法，其特征在于，所述根据所述量化结果，判断所述单张图像是否为花屏图像的步骤包括：

确定亮点的多个特征；

根据亮点的多个特征对应构建多个弱分类器；

根据多个弱分类器构建级联分类器；

将多个特征的量化结果分别代入级联分类器，得到判断结果。

9.如权利要求8所述的花屏图像判断方法，其特征在于，所述根据多个弱分类器构建级联分类器的步骤包括：

对多个弱分类器分别赋予权重，所述权重与其花屏图像判断正确率相对应；

多个弱分类器分别对单张图像进行判断；

将每个弱分类器的判断结果乘以对应权重后作为输出结果。

10.如权利要求7或8所述的花屏图像判断方法，其特征在于，构建弱分类器的步骤包括：

随机选取多个阈值，每一个阈值对应构建一个分类器；

统计所有分类器的特征值，并按照分类器的花屏图像判断正确率从大到小进行排序；

统计属于花屏图像的特征值总和t1和属于非花屏图像的特征值总和t0；

统计第i个样本之前的所有属于花屏图像的总和s1和属于非花屏图像的总和s0；

计算r＝min((s1+(t0-s0)),s0+(t1-s1))，得到的最小值r为所求的阈值；

确定阈值后构建弱分类器，如下所示：

其中，x为量化结果，f是特征值，p控制不等号方向，θ是阈值。

11.一种设备，其特征在于，包括处理器以及存储器，所述存储器存储有计算机指令，所述计算机指令适用于所述处理器加载并执行如权利要求1～10任一项所述的方法。

12.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行以实现如权利要求1～10任一项所述的方法。

Images