CN114007019B - 一种逆光场景下基于图像亮度预测曝光的方法和系统 - Google Patents

Abstract

本申请涉及一种逆光场景下基于图像亮度预测曝光的方法和系统，其中，该方法包括：获取待处理图像中各个区块亮度值并存入数据队列中，在数据队列中存储的各个区块的亮度值达到预设亮度阈值后，计算数据队列中各个区块的平均亮度，得到各个区块平均亮度值；接着，计算各个区块亮度值与各个区块平均亮度值之间的亮度差，通过比较该亮度差与预设亮度差阈值之间的大小，确定分块计数值；最后，判断该分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整。通过本申请，解决了在逆光场景下检测算法无法检测到对应目标物体时，存在的目标物体难以识别，导致漏检的问题，提高了环境适应能力并降低了成本。

Description

一种逆光场景下基于图像亮度预测曝光的方法和系统

技术领域

本申请涉及计算机技术领域，特别是涉及一种逆光场景下基于图像亮度预测曝光的方法和系统。

背景技术

随着AI技术的飞速发展，视频智能终端设备已经成为AI落地产品化的重要载体，一系列人脸识别设备应运而生，并广泛应用于人们的日常生活当中，例如，人脸考勤机、刷脸支付设备和门禁机等。然而，在通过这些智能设备进行人脸识别时，涉及到的实际应用场景及其复杂，例如，逆光场景。对于逆光场景，可宏观的分为两种，一种是设备处于较暗区，拍摄的物体处于比较亮的区域；另一种则是识别设备和目标物体都在比较亮的场景下，但被拍摄的目标物体在设备画面中处于背光位置，则对该识别设备来说也属于逆光场景。在这样的逆光场景下进行人脸识别，人脸或人体整体的亮度会比较低，细节信息可分变性差，从而会导致AI算法无法进行目标检测和识别。

在相关技术中，针对逆光应用场景，已有的方法是先检测目标人脸亮度，然后通过预设的目标亮度来提升整体图像亮度以满足AI人脸识别的需求。然而，这种方式完全依赖于目标物体可检测的前提下才能进行后续识别逻辑处理，如果目标物体无法检测到，那么该方式就无法执行。

目前针对相关技术中，在逆光场景下检测算法无法检测到对应目标物体时，存在的目标物体难以识别，导致漏检的问题，尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种逆光场景下基于图像亮度预测曝光的方法和系统，以至少解决相关技术中在逆光场景下检测算法无法检测到对应目标物体时，存在的目标物体难以识别，导致漏检的问题。

第一方面，本申请实施例提供了一种基于图像亮度预测曝光的方法，所述方法包括：

获取待处理图像中各个区块亮度值并存入数据队列中，在所述数据队列中存储的所述各个区块的亮度值达到预设亮度阈值后，计算所述数据队列中各个区块的平均亮度，得到各个区块平均亮度值；

计算所述各个区块亮度值与所述各个区块平均亮度值之间的亮度差，通过比较所述亮度差与预设亮度差阈值之间的大小，确定分块计数值；

判断所述分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整。

在其中一些实施例中，通过判断所述分块计数值是否在第一预设阈值内的情况，进行相应的处理包括：

若所述分块计数值在所述第一预设阈值内，则进行AE自动曝光处理，若所述分块计数值不在所述第一预设阈值内，则继续检测直到结束。

在其中一些实施例中，在进行AE自动曝光处理之后，所述方法包括：

在连续预设帧内，所述分块计数值均在所述第一预设阈值内时，预测当前有物体进入画面，锁定AE，保持当前曝光状态。

在其中一些实施例中，在锁定AE调节之后，所述方法包括：

在持续预设帧内，所述分块计数值均在第二预设阈值内时，解锁AE，重新配置曝光参数，并清空所述数据队列和所述分块计数值，其中，所述第二预设阈值大于所述第一预设阈值。

在其中一些实施例中，通过比较所述亮度差与预设亮度差阈值之间的大小，确定分块计数值包括：

在所述亮度差超过所述预设亮度差阈值的情况下，对所述分块计数值进行自定义计算，反之则不计算。

第二方面，本申请实施例提供了一种逆光场景下基于图像亮度预测曝光的系统，所述系统包括：

计算比较模块，用于获取待处理图像中各个区块亮度值并存入数据队列中，在所述数据队列中存储的所述各个区块的亮度值达到预设亮度阈值后，计算所述数据队列中各个区块的平均亮度，得到各个区块平均亮度值，

计算所述各个区块亮度值与所述各个区块平均亮度值之间的亮度差，通过比较所述亮度差与预设亮度差阈值之间的大小，确定分块计数值；

预测曝光模块，用于判断所述分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整。

在其中一些实施例中，所述预测曝光模块，还用于若所述分块计数值在所述第一预设阈值内，则进行AE自动曝光处理，若所述分块计数值不在所述第一预设阈值内，则继续检测直到结束。

在其中一些实施例中，所述系统还包括识别模块，在进行AE自动曝光处理之后，

所述识别模块，还用于在连续预设帧内，所述分块计数值均在所述第一预设阈值内时，预测当前有物体进入画面，锁定AE，保持当前曝光状态。

在其中一些实施例中，所述系统还包括解锁重置模块，在锁定AE调节之后，

所述解锁重置模块，用于在持续预设帧内，所述分块计数值均在第二预设阈值内时，解锁AE，重新配置曝光参数，并清空所述数据队列和所述分块计数值，其中，所述第二预设阈值大于所述第一预设阈值。

在其中一些实施例中，所述计算比较模块，还用于在所述亮度差超过所述预设亮度差阈值的情况下，对所述分块计数值进行自定义计算，反之则不计算。

相比于相关技术，本申请实施例提供的逆光场景下基于图像亮度预测曝光的方法，获取待处理图像中各个区块亮度值并存入数据队列中，在数据队列中存储的各个区块的亮度值达到预设亮度阈值后，计算数据队列中各个区块的平均亮度，得到各个区块平均亮度值；接着，计算各个区块亮度值与各个区块平均亮度值之间的亮度差，通过比较该亮度差与预设亮度差阈值之间的大小，确定分块计数值；最后，判断该分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整。

本申请在设备无法检测到目标物体时，根据图像实时帧的亮度变化和已经建立的背景亮度模型预测当前是否存在目标物体，预测性的调整曝光，提升图像亮度，满足目标物体的检测需求。在检测算法检测到目标物体后，再通过AE算法对目标物体进行曝光调整，识别目标物体。解决了在逆光场景下检测算法无法检测到对应目标物体时，存在的目标物体难以识别，导致漏检的问题，极大提高线性传感器模式下设备对逆光场景的适应能力，减少后期解释维护成本，同时也降低本身硬件成本。

附图说明

此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例的逆光场景下基于图像亮度预测曝光的方法的流程图；

图2是根据本申请实施例的基于图像亮度预测曝光的流程示意图；

图3是根据本申请第一实施例的逆光场景下基于图像亮度预测曝光的系统的结构框图；

图4是根据本申请第二实施例的逆光场景下基于图像亮度预测曝光的系统的结构框图；

图5是根据本申请第三实施例的逆光场景下基于图像亮度预测曝光的系统的结构框图；

图6是根据本申请实施例的电子设备的内部结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。

在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。

除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块（单元）的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。

本实施例提供了一种逆光场景下基于图像亮度预测曝光的方法，图1是根据本申请实施例的逆光场景下基于图像亮度预测曝光的方法的流程图，如图1所示，该流程包括如下步骤：

步骤S101，获取待处理图像中各个区块亮度值并存入数据队列中，在数据队列中存储的各个区块的亮度值达到预设亮度阈值后，计算数据队列中各个区块的平均亮度，得到各个区块平均亮度值；

图2是根据本申请实施例的基于图像亮度预测曝光的流程示意图，如图2所示，获取待处理图像每帧数据中各个区块的亮度值，其中，一帧数据中包括了mxn个统计块，每块都有一个亮度值；

接着，将得到的各个区块亮度值存入数据队列中，在数据队列中存储的各个区块的亮度值达到预设亮度阈值后，计算数据队列中各个区块的平均亮度，得到各个区块平均亮度值；

步骤S102，计算各个区块亮度值与各个区块平均亮度值之间的亮度差，通过比较亮度差与预设亮度差阈值之间的大小，确定分块计数值；

本实施例中，获取步骤S101中得到的各个区块的亮度值和各个区块平均亮度值，并计算获取各个区块亮度值与各个区块平均亮度值之间的亮度差；

如图2所示，通过比较该亮度差与预设亮度差阈值之间的大小，确定分块计数值。优选的，本实施例中，检测亮度差是否超过预设亮度差阈值，在该亮度差超过预设亮度差阈值的情况下，对分块计数值进行自定义计算，例如，对分块计数值Num进行加1计算；而在亮度差不超过预设亮度差阈值的情况下，对分块计数值Num不做计算。

需要说明的是，由于逆光场景分为两种情况，第一种是设备处于较暗区，目标物体处于比较亮的区域，第二种则是识别设备和目标物体都在比较亮的场景下，但被拍摄的目标物体在设备画面中处于背光位置。因此，由于上述两种逆光情况的存在，本实施例中的亮度差存在不同的情况，可以通过将亮度差标识为负向来表示第一种情况，或将亮度差标识为正向来表示第二情况。

还需要说明的是，本实施例中在比较亮度差与预设亮度差阈值大小时，使用的亮度差为绝对值；

步骤S103，判断分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整。

如图2所示，检测判断分块计数值是否在第一预设阈值内，若该分块计数值在第一预设阈值内，则进行AE自动曝光处理，若分块计数值不在第一预设阈值内，则丢弃该帧图像数据，继续检测下一帧图像数据直到结束；

优选的，在进行AE自动曝光处理之后，在连续的预设帧内，例如，ｍ帧内，分块计数值Num均在第一预设阈值内时，则预测当前有物体进入画面，但不能确定是否为目标物体，例如，有一物体在画面中一闪而过，此时锁定AE，保持当前曝光。

在其中一些实施例中，在锁定AE调节之后，如果在持续预设帧内，例如，n帧内，分块计数值均在第二预设阈值内时，则解锁AE，重新配置曝光参数，例如，曝光调节速度和曝光目标值，并清空数据队列和分块计数值Num中的数据，重新开始检测判断，调节AE曝光。需要说明的是，本实施例中的第二预设阈值大于第一预设阈值。

通过上述步骤S101至步骤S103，本实施例在设备无法检测到目标物体时，根据图像实时帧的亮度变化和已经建立的背景亮度模型预测当前是否存在目标物体，预测性的调整曝光，提升图像亮度，满足目标物体的检测需求。在检测算法检测到目标物体后，再通过AE算法对目标物体进行曝光调整，识别目标物体。解决了在逆光场景下检测算法无法检测到对应目标物体时，存在的目标物体难以识别，导致漏检的问题，极大提高线性传感器模式下设备对逆光场景的适应能力，减少后期解释维护成本，同时也降低本身硬件成本。

需要说明的是，在上述流程中或者附图的流程图中示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本实施例还提供了一种逆光场景下基于图像亮度预测曝光的系统，该系统用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。

图3是根据本申请第一实施例的逆光场景下基于图像亮度预测曝光的系统的结构框图，如图3所示，该系统包括计算比较模块31和预测曝光模块32：

计算比较模块31，用于获取待处理图像中各个区块亮度值并存入数据队列中，在数据队列中存储的各个区块的亮度值达到预设亮度阈值后，计算数据队列中各个区块的平均亮度，得到各个区块平均亮度值，接着，计算各个区块亮度值与各个区块平均亮度值之间的亮度差，通过比较亮度差与预设亮度差阈值之间的大小，确定分块计数值；预测曝光模块32，用于判断分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整。

通过上述系统，本实施例在设备无法检测到目标物体时，根据图像实时帧的亮度变化和已经建立的背景亮度模型预测当前是否存在目标物体，预测性的调整曝光，提升图像亮度，满足目标物体的检测需求。在检测算法检测到目标物体后，再通过AE算法对目标物体进行曝光调整，识别目标物体。解决了在逆光场景下检测算法无法检测到对应目标物体时，存在的目标物体难以识别，导致漏检的问题，极大提高线性传感器模式下设备对逆光场景的适应能力，减少后期解释维护成本，同时也降低本身硬件成本。

在其中一些实施例中，系统还包括识别模块，图4是根据本申请第二实施例的逆光场景下基于图像亮度预测曝光的系统的结构框图，如图4所示，该系统包括计算比较模块31、预测曝光模块32和识别模块41，在进行AE自动曝光处理之后，识别模块41，用于在连续的预设帧内，例如，ｍ帧内，分块计数值Num均在第一预设阈值内时，则预测当前可能有物体进入画面，但不能确定是否为目标物体，例如，有一物体在画面中一闪而过，此时锁定AE，保持当前曝光。

在其中一些实施例中，系统还包括解锁重置模块，图5是根据本申请第三实施例的逆光场景下基于图像亮度预测曝光的系统的结构框图，如图5所示，该系统包括计算比较模块31、预测曝光模块32、识别模块41和解锁重置模块51，在锁定AE调节之后，解锁重置模块51用于在持续预设帧内，例如，n帧内，分块计数值均在第二预设阈值内时，则解锁AE，重新配置曝光参数，例如，曝光调节速度和曝光目标值，并清空数据队列和分块计数值Num中的数据，重新开始检测判断，调节AE曝光。需要说明的是，本实施例中的第二预设阈值大于第一预设阈值。

需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。

此外，需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。

本实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。

可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。

另外，结合上述实施例中的逆光场景下基于图像亮度预测曝光的方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种逆光场景下基于图像亮度预测曝光的方法。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种逆光场景下基于图像亮度预测曝光的方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

在一个实施例中，图6是根据本申请实施例的电子设备的内部结构示意图，如图6所示，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过内部总线连接的处理器、网络接口、内存储器和非易失性存储器，其中，该非易失性存储器存储有操作系统、计算机程序和数据库。处理器用于提供计算和控制能力，网络接口用于与外部的终端通过网络连接通信，内存储器用于为操作系统和计算机程序的运行提供环境，计算机程序被处理器执行时以实现一种逆光场景下基于图像亮度预测曝光的方法，数据库用于存储数据。

本领域技术人员可以理解，图6中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，该计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双数据率SDRAM（DDRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink） DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM（RDRAM）等。

本领域的技术人员应该明白，以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种逆光场景下基于图像亮度预测曝光的方法，其特征在于，所述方法包括：

获取待处理图像中各个区块亮度值并存入数据队列中，在所述数据队列中存储的所述各个区块的亮度值达到预设亮度阈值后，计算所述数据队列中各个区块的平均亮度，得到各个区块平均亮度值；

计算所述各个区块亮度值与所述各个区块平均亮度值之间的亮度差，通过比较所述亮度差与预设亮度差阈值之间的大小，确定分块计数值；

判断所述分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整，具体步骤包括：在连续预设帧内，若所述分块计数值均在所述第一预设阈值内，则预测当前有物体进入画面，锁定AE，保持当前曝光；在锁定AE调节之后，如果在持续预设帧内，所述分块计数值均在第二预设阈值内，则解锁AE，重新配置曝光参数。

2.根据权利要求1所述的方法，其特征在于，通过判断所述分块计数值是否在第一预设阈值内的情况，进行相应的处理包括：

若所述分块计数值在所述第一预设阈值内，则进行AE自动曝光处理，若所述分块计数值不在所述第一预设阈值内，则继续检测直到结束。

3.根据权利要求1所述的方法，其特征在于，在锁定AE调节之后，所述方法包括：

在持续预设帧内，所述分块计数值均在第二预设阈值内时，解锁AE，重新配置曝光参数，并清空所述数据队列和所述分块计数值，其中，所述第二预设阈值大于所述第一预设阈值。

4.根据权利要求1所述的方法，其特征在于，通过比较所述亮度差与预设亮度差阈值之间的大小，确定分块计数值包括：

在所述亮度差超过所述预设亮度差阈值的情况下，对所述分块计数值进行自定义计算，反之则不计算。

5.一种逆光场景下基于图像亮度预测曝光的系统，其特征在于，所述系统包括：

计算比较模块，用于获取待处理图像中各个区块亮度值并存入数据队列中，在所述数据队列中存储的所述各个区块的亮度值达到预设亮度阈值后，计算所述数据队列中各个区块的平均亮度，得到各个区块平均亮度值，

计算所述各个区块亮度值与所述各个区块平均亮度值之间的亮度差，通过比较所述亮度差与预设亮度差阈值之间的大小，确定分块计数值；

预测曝光模块，用于判断所述分块计数值是否在第一预设阈值内，并根据不同的情况进行相应的处理，完成预测曝光调整，具体步骤包括：在连续预设帧内，若所述分块计数值均在所述第一预设阈值内，则预测当前有物体进入画面，锁定AE，保持当前曝光；在锁定AE调节之后，如果在持续预设帧内，所述分块计数值均在第二预设阈值内，则解锁AE，重新配置曝光参数。

6.根据权利要求5所述的系统，其特征在于，

所述预测曝光模块，还用于若所述分块计数值在所述第一预设阈值内，则进行AE自动曝光处理，若所述分块计数值不在所述第一预设阈值内，则继续检测直到结束。

7.根据权利要求5所述的系统，其特征在于，所述系统还包括解锁重置模块，在锁定AE调节之后，

所述解锁重置模块，用于在持续预设帧内，所述分块计数值均在第二预设阈值内时，解锁AE，重新配置曝光参数，并清空所述数据队列和所述分块计数值，其中，所述第二预设阈值大于所述第一预设阈值。

8.根据权利要求5所述的系统，其特征在于，

所述计算比较模块，还用于在所述亮度差超过所述预设亮度差阈值的情况下，对所述分块计数值进行自定义计算，反之则不计算。

Images