CN115205205B - 一种显示效果的智能评估方法及系统 - Google Patents
一种显示效果的智能评估方法及系统 Download PDFInfo
- Publication number
- CN115205205B CN115205205B CN202210550993.4A CN202210550993A CN115205205B CN 115205205 B CN115205205 B CN 115205205B CN 202210550993 A CN202210550993 A CN 202210550993A CN 115205205 B CN115205205 B CN 115205205B
- Authority
- CN
- China
- Prior art keywords
- image
- information
- display
- observer
- display effect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 151
- 230000000694 effects Effects 0.000 title claims abstract description 148
- 230000008859 change Effects 0.000 claims abstract description 109
- 238000004458 analytical method Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000007704 transition Effects 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 7
- 230000001815 facial effect Effects 0.000 claims description 48
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 230000002123 temporal effect Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 230000002146 bilateral effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 2
- 210000001508 eye Anatomy 0.000 description 42
- 238000004891 communication Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 210000003205 muscle Anatomy 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000003925 brain function Effects 0.000 description 1
- 210000005252 bulbus oculi Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 201000010041 presbyopia Diseases 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 210000000697 sensory organ Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/18—Eye characteristics, e.g. of the iris
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30196—Human being; Person
- G06T2207/30201—Face
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Ophthalmology & Optometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种显示效果的智能评估方法及系统,属于数据处理领域,所述方法包括:本申请通过图像采集设备获得包括显示画面信息的第一图像信息集和包括观者面部信息的第二图像信息集,对显示画面信息进行灰度化处理,然后对得到的图像灰阶化信息进行过渡变化关系分析,判断图像变化评价信息是否满足显示效果要求,满足时,对第二图像信息集进行观者面部特征提取,确定观者适应图像显示变化范围,最后根据图像变化评价信息、观者适应图像显示变化范围进行匹配度分析,确定显示效果评估结果。解决了现有技术中存在显示效果评估不准确,无法智能评估图像显示效果的技术问题。实现了智能化对显示效果进行评估,提高评估结果准确性的技术效果。
Description
技术领域
本申请涉及数据处理领域,尤其涉及一种显示效果的智能评估方法及系统。
背景技术
随着经济和科学技术的发展,不断有新的电子设备被研发后投入市场,电子屏幕的显示丰富了人们的生活,因此,研究提高屏幕显示效果对于提高人们生活质量有着十分重要的意义。
目前,通过在出厂时加强对屏幕质量的检验,在使用时对屏幕显示参数进行调整,来提升屏幕的显示效果。通过屏幕的色彩程度、清晰度、流畅度来评估显示效果。
然而,仅仅通过评价屏幕的内部参数来评估显示效果,无法结合观看者的实际情况进行屏幕显示效果的调整,导致观看者体验感下降的后果。存在显示效果评估准确性低和效率低,无法智能评估图像显示效果的技术问题。
发明内容
本申请的目的是提供一种显示效果的智能评估方法及系统,用以解决现有技术中存在显示效果评估准确性低和效率低,无法智能评估图像显示效果的技术问题。达到了智能化的对显示效果进行评估,提高评估结果的准确性的技术效果。
鉴于上述问题,本申请提供了一种显示效果的智能评估方法及系统。
第一方面,本申请提供了一种显示效果的智能评估方法,所述方法通过一种显示效果的智能评估系统实现,所述系统包括图像采集设备,其中,所述方法包括:通过所述图像采集设备获得第一图像信息集,所述第一图像信息集包括显示画面信息;获得第二图像信息集,所述第二图像信息集包括观者面部信息,所述第一图像信息集与所述第二图像信息集具有时间对应性;对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息;根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息;判断所述图像变化评价信息是否满足显示效果要求;当满足时,基于所述时间对应性对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,根据所述观者面部特征集确定观者适应图像显示变化范围;根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。
另一方面,本申请还提供了一种显示效果的智能评估系统,用于执行如第一方面所述的一种显示效果的智能评估方法,其中,所述系统包括:第一获得单元,所述第一获得单元用于通过图像采集设备获得第一图像信息集,所述第一图像信息集包括显示画面信息;第二获得单元,所述第二获得单元用于获得第二图像信息集,所述第二图像信息集包括观者面部信息,所述第一图像信息集与所述第二图像信息集具有时间对应性;第三获得单元,所述第三获得单元用于对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息;第四获得单元,所述第四获得单元用于根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息;第一判断单元,所述第一判断单元用于判断所述图像变化评价信息是否满足显示效果要求;第五获得单元,所述第五获得单元用于当满足时,基于所述时间对应性对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,根据所述观者面部特征集确定观者适应图像显示变化范围;第一确定单元,所述第一确定单元用于根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。
第三方面,本申请还提供了一种显示效果的智能评估系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现上述第一方面所述方法的步骤。
第四方面,一种计算机可读存储介质,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第一方面中任一项所述的方法。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请通过图像采集设备获得包括显示画面信息的第一图像信息集和包括观者面部信息的第二图像信息集,第一图像信息集和第二图像信息集具有时间对应性,对显示画面信息进行灰度化处理,然后对得到的图像灰阶化信息进行过渡变化关系分析,得到图像变化评价信息,然后判断图像变化评价信息是否满足显示效果要求,满足时,对所述第二图像信息集进行观者面部特征提取,根据观者面部特征集确定观者适应图像显示变化范围,最后根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。实现了智能化的对显示效果进行评估,提高评估结果的准确性的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请实施例提供的一种显示效果的智能评估方法的流程示意图;
图2为本申请实施例提供的一种显示效果的智能评估方法中获得图像灰阶化信息的流程示意图;
图3为本申请实施例提供的一种显示效果的智能评估方法中对所述显示画面信息进行分割的流程示意图;
图4为本申请实施例提供的一种显示效果的智能评估方法中获得图像变化评价信息的流程示意图;
图5为本申请一种显示效果的智能评估系统的结构示意图;
图6为本申请示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第一判断单元15,第五获得单元16,第一确定单元17,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请通过提供一种显示效果的智能评估方法及系统,解决了现有技术中存在显示效果评估不准确,无法智能评估图像显示效果的技术问题。实现了智能化的对显示效果进行评估,提高评估结果的准确性的技术效果。
本申请技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面,将参考附图对本申请中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。基于本申请的实施例,本领域普通技术人员在没有做出创造性劳动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。另外还需要说明的是,为了便于描述,附图中仅示出了与本申请相关的部分而非全部。
本申请提供了一种显示效果的智能评估方法,所述方法应用于一种显示效果的智能评估系统,所述系统包括图像采集设备,其中,所述方法包括:通过所述图像采集设备获得第一图像信息集,所述第一图像信息集包括显示画面信息;获得第二图像信息集,所述第二图像信息集包括观者面部信息,所述第一图像信息集与所述第二图像信息集具有时间对应性;对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息;根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息;判断所述图像变化评价信息是否满足显示效果要求;当满足时,基于所述时间对应性对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,根据所述观者面部特征集确定观者适应图像显示变化范围;根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请提供了一种显示效果的智能评估方法,其中,所述方法应用于一种显示效果的智能评估系统,所述系统包括图像采集设备,所述方法具体包括如下步骤:
步骤S100:通过所述图像采集设备获得第一图像信息集,所述第一图像信息集包括显示画面信息;
具体而言,所述图像采集设备是用来采集显示屏幕图像和观看者面部图像的双向采集设备,可以设定多个方向的摄像头进行采集。可选的,所述图像采集设备可以是数码照相机和摄像头等。对显示的画面和观者的状态进行同步采集,以便于分析显示画面与观者面部状态的对应关系,进行对应分析,以满足观者的个体需求。其中,所述第一图像集是通过所述图像采集设备采集到的显示屏幕图像的集合,包括:显示画面信息。其中,所述显示画面信息是反应显示目标中具体的显示情况的信息,包括:显示的画面大小,显示的内容信息等。由此,实现了获取目标图像,达到了为后续分析显示屏幕显示效果进行分析提供基础数据的技术效果。
步骤S200:获得第二图像信息集,所述第二图像信息集包括观者面部信息,所述第一图像信息集与所述第二图像信息集具有时间对应性;
具体而言,所述第二图像信息集是通过所述图像采集设备采集到的观者面部图像的集合,包括:观者面部信息。其中,所述观者面部信息是反应观者面部特征的相关信息,包括:年龄特征信息和眼部特征信息等。其中,所述第一图像信息集与所述第二图像信息集具有时间对应性指的是通过所述图像采集设备在同一时刻采集所述第一图像信息和所述第二图像信息,所述第一图像信息集中的每一个第一图像信息都能在所述第二图像信息集中找到对应的第二图像信息。由此,实现了实时获得显示画面的显示情况和对应的观者面部信息,为后续根据观者面部信息有针对性的对显示情况进行对比分析当前的图像显示是否适合观者提供对应的对比对象,达到了提高评估显示效果的效率和精度的技术效果。
步骤S300:对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息;
具体而言,所述灰度化处理是将所述显示画面信息由彩色图像转化为灰度图像的处理过程。对所述显示画面信息进行灰度化处理后,获得所述图像灰阶化信息,其中,所述图像灰阶化信息指的是获取图像经过灰度处理后的灰阶信息。所述灰阶是指图像中最亮和最暗之间的不同亮度的层次级别,层级级别越高,所能够成呈现出来的画面效果也就越细腻。实现了对显示画面信息的预处理,达到了为后续图像分割和图像评价做准备的技术效果。
步骤S400:根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息;
具体而言,通过所述图像灰阶化信息来获得图像中不同子像素点之间灰度的变化情况,分析得出灰度的变化跨度范围,根据所述变化跨度范围的大小来对图像变化进行评价。其中,所述图像变化评价信息是对所述第一图像集中图像的显示画面情况进行评价得到的评价信息。所述变化跨度范围越小,过渡范围越小,显示效果越好,得到的评价越高。由此,实现了对图像信息进行评价,达到了对显示效果进行量化评估,为根据评价信息智能的对图像显示效果进行评估提供了对比数据的技术效果。
步骤S500:判断所述图像变化评价信息是否满足显示效果要求;
具体而言,通过对所述图像变化评价信息进行判断是否满足显示效果要求,得出是否要对当前的图像显示情况进行调整。其中,所述显示效果要求是满足灰度等级高,颜色丰富多彩,像素点之间距离小,显示图像细腻真实。由此,实现了对于当前显示情况进行评价判断,达到了根据对当前显示情况进行判断的结果,进行显示情况的调整,从而满足进行显示效果评估的要求的技术效果。
步骤S600:当满足时,基于所述时间对应性对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,根据所述观者面部特征集确定观者适应图像显示变化范围;
具体的,基于所述时间对应性对所述第二图像集提取与所述第一图像集一一对应的观者面部特征,得到所述观者面部特征集。其中,所述观者面部特征集是反应观者面部特征的集合,包括:年龄特征和眼部特征等。根据所述观者面部特征集可以获得观者的年龄和眼部状态。根据观者的情况进一步确定所述观者适应图像显示变化范围。其中,所述观者适应图像显示变化范围为适合观者的图像显示情况的变化范围。由此,实现了找到不同的观者适合的不同的显示效果,从而达到了为后续的显示效果评价提供更加智能的评价,提高评估的准确性和全面性的技术效果。
步骤S700:根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。
具体而言,通过对所述图像变化评价信息和所述观者适应图像显示变化范围进行匹配度的分析,可以得出显示屏幕中图像的变化范围与所述观者适应图像显示变化范围的匹配情况,匹配度越高,显示效果越好。由此,实现了基于匹配度分析结果确定显示效果评估结果,达到了对显示效果的智能化评估,提高了评估的全面性和准确性的技术效果。
进一步的,如图2所示,所述对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息中,本申请实施例步骤S300还包括:
步骤S310:通过双边滤波算法对所述第一图像信息集中显示画面信息进行去噪处理,获得去噪图像集;
步骤S320:对所述去噪图像集进行直方图绘制,获得图像直方图;
步骤S330:根据所述图像直方图中灰度值,确定所述图像灰阶化信息。
具体而言,所述双边滤波算法是一种同时考虑了图像频域处理和时域处理的非线性滤波算法,可以使被处理的图像保持清晰的边缘信息,去除扰乱图像的信息,从而达到去除噪声的目的。其中,所述去噪图像集是通过去噪处理后的图像集合。所述图像直方图是用以表示数字图像中亮度分布的直方图,标绘了图像中每个亮度值的像素数。
具体的,根据所述图像直方图中灰度值,确定所述图像灰阶化信息。可以根据灰度值大小的变化情况,从而确定图像的灰度的变化跨度范围,进而确定所述图像灰阶化信息。由此,实现了去除图像信息集中的干扰因素,确定所述图像灰阶化信息,达到了提高对图像的评价准确度,为后续评估显示效果做铺垫的技术效果。
进一步的,如图3所示,根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息之前,本申请实施例步骤S300还包括:
步骤S340:根据所述显示画面信息,获得显示内容;
步骤S350:基于所述显示内容对所述显示画面信息进行边框识别,根据边框识别结果对边框进行标记,获得内容显示边框;
步骤S360:根据所述内容显示边框对所述显示画面信息进行分割。
具体而言,所述显示内容是指屏幕中显示的具体画面内容,通过显示内容的不同对所述显示画面信息进行边框识别,从而将不同的显示内容划分成不同的单元。其中,所述显示内容包括人、背景、车等。根据边框识别结果对边框进行标记,获得所述内容显示边框。其中,所述内容显示边框内含有不同的显示内容。根据所述内容显示边框可以将所述显示画面信息分割成不同的区域,从而实现对不同的区域进行灰阶化信息分析。由于显示内容不同,对应的灰度值也不同,因此要将不同的显示内容分开进行灰阶化信息分析。由此,实现了对于图像进行相同显示内容的灰阶化分析,从而达到了提高图像变化评价信息的准确度的技术效果。
进一步的,如图4所示,根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息,本申请实施例步骤S400包括:
步骤S410:根据所述图像灰阶化信息,获得子像素的显示灰阶;
步骤S420:基于所述显示画面信息上的分割边框,逐一对边框内每个像素列进行识别累加,获得分割边框灰阶累计数据,其中,所述分割边框灰阶累计数据包括横向数据、纵向数据;
步骤S430:分别对横向数据、纵向数据进行过渡像素列个数累加,获得分割边框显示距离值,将所述分割边框显示距离值作为所述图像变化评价信息。
具体而言,所述子像素的显示灰阶是所述显示内容信息中的单个像素的灰阶值。通过对所述显示画面信息上的每个边框内的每个像素列进行识别灰阶值进行累加计算,得到所述分割边框灰阶累计数据。所述分割边框灰阶累计数据是对所述每个边框从不同的方向进行像素列的灰阶值累加得到的累计数据。其中,所述分割边框灰阶累计数据包括横向数据、纵向数据。所述横向数据,是对所述每个边框从横向进行像素列的灰阶值累加得到的累计数据。所述纵向数据,对所述每个边框从纵向进行像素列的灰阶值累加得到的累计数据。
具体的,所述分割边框显示距离值是包含横向数据的过渡像素列个数累加值和纵向数据的过渡像素列个数累加值。所述将所述分割边框显示距离值作为所述图像变化评价信息指的是如果所述分割边框显示距离值越大,说明灰阶过渡的差距越大,显示的图像就比较粗糙,显示效果不好;如果距离值越小,说明灰阶过渡差距越小,显示的图像比较细腻,显示效果较好。由此,实现了根据图像中灰阶过渡情况,对图像变化进行评价,达到了为后续进行显示效果的评估提供对比数据的技术效果。
进一步的,所述判断所述图像变化评价信息是否满足显示效果要求之后,本申请实施例步骤S500还包括:
步骤S510:当所述图像变化评价信息不满足所述显示效果要求时,根据所述图像变化评价信息、所述显示效果要求,获得第一调整值,所述第一调整值为所述图像变化评价信息满足所述显示效果要求的最小灰阶调整值;
步骤S520:根据所述第一调整值以所述分割边框为单位进行调整,直到图像变化评价信息满足所述显示效果要求为止。
具体而言,当所述图像变化评价信息不满足显示效果要求时,通过对图像的灰阶进行调整,来使图像显示满足显示效果。根据所述图像变化评价信息得到当前的灰阶情况,由所述显示效果要求得到应该具备的灰阶情况,由此得到所述第一调整值,其中,所述第一调整值为所述图像变化评价信息满足所述显示效果要求的最小灰阶调整值。
具体的,所述根据所述第一调整值以所述分割边框为单位进行调整指的是按照所述分割边框分割后的区域为一个单位,对每个单位按照所述第一调整值进行调整。优选的,所述调整通过对单位内的像素点的灰度处理方式进行Gamma校正调整。通过Gamma校正后,暗场灰阶的颜色明显改善,颜色细节分明,图像亮度颜色一致,补偿了变化过渡距离较大的区域。由此,达到了根据智能评估的结果对图像进行调整修正,提升显示效果和观者体验感的技术效果。
进一步的,对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,本申请实施例步骤S600还包括:
步骤S610:获得历史观者数据库,其中,包括观者年龄特征、观者眼部状态特征、图像显示灰阶参数及其映射关系;
步骤S620:根据所述历史观者数据库进行所述观者年龄特征、观者眼部状态特征、图像显示灰阶参数的特征相关性分析,获得观者面部分析特征;
步骤S630:基于所述观者面部分析特征对所述第二图像信息集中观者面部信息进行观者年龄特征识别、眼部特征识别,获得观者年龄特征集、眼部特征集,基于所述观者年龄特征集、眼部特征集构建所述观者面部特征集。
具体而言,所述历史观者数据库是包含所有观看所述显示画面的观看者的数据库。其中,所述观者年龄特征是反应观看者的年纪大小的相关特征,所述观者眼部状态特征是反应观看者的眼部所处状态的相关特征,可选的,所述观者眼部状态特征包括:眼球浑浊度、眼部肌肉紧实度、眼睛的明亮程度等。所述图像显示灰阶参数为观者观看屏幕时显示内容的图像显示灰阶参数,所述映射关系是指所述观者年龄特征和所述观者眼部状态特征与同一时间的所述图像显示灰阶参数之间的对应关系。
具体的,通过分析所述观者年龄特征、所述观者眼部状态特征和所述图像显示灰阶参数之间的关联程度进行分析,得到之间的特征相关性,获得所述观者面部分析特征。其中,所述观者面部分析特征是反应了观者面部特征与所述图像显示灰阶参数之间相关性的特征。
具体的,根据所述观者面部分析特征对所述第二图像信息集中观者面部信息特征识别,得到所述第二图像信息集中的所述观者年龄特征集、所述眼部特征集。其中,所述观者年龄特征集是所述第二图像信息集中表征观者的年龄的相关特征集合。所述眼部特征集是所述第二图像信息中表征观者的眼部的相关特征的集合。根据所述观者年龄特征集和所述眼部特征集构建了所述观者面部特征集。由此,达到了给出根据不同的观者的面部特征集选择不同图像显示变化范围的依据的技术效果。
示例性的,由于不同年龄段的观者对于显示效果有着不同的要求,小孩处于好奇心旺盛的阶段,显示效果色彩越明亮,饱和度越高,显示效果越好;对于老年人来说,由于情绪更加沉稳,显示效果色彩越协调,饱和度偏低一点,显示效果越好。
示例性的,不同的眼部状态适合的显示效果也不相同。小孩由于处于发育阶段,眼部肌肉比较紧实,对于显示的清晰度要求较高,而老年人处于衰老阶段,眼部肌肉松弛,眼睛往往伴随着老花眼的状态,对于显示的内容大小有较高的要求,内容越大,显示效果越好。
进一步的,所述根据所述观者面部特征集确定观者适应图像显示变化范围,本申请实施例步骤S600还包括:
步骤S640:将所述观者年龄特征集、所述眼部特征集输入识别模型,获得观者年龄识别信息、眼部状态识别信息;
步骤S650:根据所述观者年龄识别信息,获得适应图像显示范围;
步骤S660:基于所述眼部状态识别信息,确定眼部适应图像显示要求,并根据所述眼部适应图像显示要求对所述适应图像显示范围进行限定,获得所述观者适应图像显示变化范围。
具体而言,所述识别模型是用来从特征集中识别出年龄和眼部状态信息的神经网络模型。利用机器学习模型对当前采集的观者的面部特征进行分析,识别其年龄阶段信息和眼部状态信息,如不同的年龄对于面部的五官、皮肤纹路、神情等不同,对年龄段进行识别评估,对于眼部的状态如干涩、眨眼频率等,对眼部的状态进行评估,以确定当前用户的眼部疲劳状态。所述识别模型为机器学习中的神经网络模型,神经网络是由大量的、简单的处理单元(称为神经元)广泛地互相连接而形成的复杂神经网络系统,它反映了人脑功能的许多基本特征,是一个高度复杂的非线性动力学习系统。神经网络模型是以神经元的数学模型为基础来描述的。人工神经网络,是对人类大脑系统的一阶特性的一种描述。简单地讲,它是一个数学模型。通过大量训练数据的训练,将所述观者年龄特征集、所述眼部特征集输入神经网络模型,则输出所述观者年龄识别信息、所述眼部状态识别信息。所述识别模型可以通过不断的自我修正、调整,直至输出数据达到收敛状态,则结束监督学习。通过对所述模型的监督学习,进而使得所述模型处理所述输入信息更加准确,进而获得更加准确所述观者年龄识别信息、所述眼部状态识别信息,为提高基于识别信息获得的所述观者适应图像显示变化范围的准确性夯实了基础。
具体的,先根据所述观者年龄识别信息,获得所述适应图像显示范围。其中,所述适应图像显示范围是指符合所述观者年龄的图像显示范围。进而根据所述眼部适应图像显示要求,来对所述适应图像显示范围进行进一步的限定,其中,所述眼部适应图像显示要求时符合所述眼部状态的图像显示情况。所述观者适应图像显示变化范围是指满足对应所述观者的年龄和眼部状态的图像显示范围。由此,达到了为评估显示效果提供对比图像显示范围,提高评估的准确性的技术效果。
综上所述,本申请所提供的一种显示效果的智能评估方法具有如下技术效果:
1.本申请通过图像采集设备获得包括显示画面信息的第一图像信息集和包括观者面部信息的第二图像信息集,第一图像信息集和第二图像信息集具有时间对应性,对显示画面信息进行灰度化处理,然后对得到的图像灰阶化信息进行过渡变化关系分析,得到图像变化评价信息,然后判断图像变化评价信息是否满足显示效果要求,满足时,对所述第二图像信息集进行观者面部特征提取,根据观者面部特征集确定观者适应图像显示变化范围,最后根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。实现了智能化的对显示效果进行评估,提高评估结果的准确性的技术效果。
2.本申请通过双边滤波算法对所述第一图像信息集中显示画面信息进行去噪处理,获得去噪图像集,对所述去噪图像集进行直方图绘制,获得图像直方图,根据所述图像直方图中灰度值,确定所述图像灰阶化信息。实现了去除图像信息集中的干扰因素,确定所述图像灰阶化信息,达到了提高对图像的评价准确度,为后续评估显示效果做铺垫的技术效果。
3.根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。实现了基于匹配度分析结果确定显示效果评估结果,达到了对显示效果的智能化评估,提高了评估的全面性和准确性的技术效果。
实施例二
基于与前述实施例中一种显示效果的智能评估方法同样的发明构思,如图5所示,本申请还提供了一种显示效果的智能评估系统,所述系统包括:
第一获得单元11,所述第一获得单元11用于通过图像采集设备获得第一图像信息集,所述第一图像信息集包括显示画面信息;
第二获得单元12,所述第二获得单元12用于获得第二图像信息集,所述第二图像信息集包括观者面部信息,所述第一图像信息集与所述第二图像信息集具有时间对应性;
第三获得单元13,所述第三获得单元13用于对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息;
第四获得单元14,所述第四获得单元14用于根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息;
第一判断单元15,所述第一判断单元15用于判断所述图像变化评价信息是否满足显示效果要求;
第五获得单元16,所述第五获得单元16用于当满足时,基于所述时间对应性对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,根据所述观者面部特征集确定观者适应图像显示变化范围;
第一确定单元17,所述第一确定单元17用于根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果。
进一步的,所述系统还包括:
第六获得单元,所述第六获得单元用于通过双边滤波算法对所述第一图像信息集中显示画面信息进行去噪处理,获得去噪图像集;
第七获得单元,所述第七获得单元用于对所述去噪图像集进行直方图绘制,获得图像直方图;
第二确定单元,所述第二确定单元用于根据所述图像直方图中灰度值,确定所述图像灰阶化信息。
进一步的,所述系统还包括:
第八获得单元,所述第八获得单元用于根据所述显示画面信息,获得显示内容;
第九获得单元,所述第九获得单元用于基于所述显示内容对所述显示画面信息进行边框识别,根据边框识别结果对边框进行标记,获得内容显示边框;
第一分割单元,所述第一分割单元用于根据所述内容显示边框对所述显示画面信息进行分割。
进一步的,所述系统还包括:
第十获得单元,所述第十获得单元用于根据所述图像灰阶化信息,获得子像素的显示灰阶;
第十一获得单元,所述第十一获得单元用于基于所述显示画面信息上的分割边框,逐一对边框内每个像素列进行识别累加,获得分割边框灰阶累计数据,其中,所述分割边框灰阶累计数据包括横向数据、纵向数据;
第十二获得单元,所述第十二获得单元用于分别对横向数据、纵向数据进行过渡像素列个数累加,获得分割边框显示距离值,将所述分割边框显示距离值作为所述图像变化评价信息。
进一步的,所述系统还包括:
第十三获得单元,所述第十三获得单元用于当所述图像变化评价信息不满足所述显示效果要求时,根据所述图像变化评价信息、所述显示效果要求,获得第一调整值,所述第一调整值为所述图像变化评价信息满足所述显示效果要求的最小灰阶调整值;
第一调整单元,所述第一调整单元用于根据所述第一调整值以所述分割边框为单位进行调整,直到图像变化评价信息满足所述显示效果要求为止。
进一步的,所述系统还包括:
第十四获得单元,所述第十四获得单元用于获得历史观者数据库,其中,包括观者年龄特征、观者眼部状态特征、图像显示灰阶参数及其映射关系;
第十五获得单元,所述第十五获得单元用于根据所述历史观者数据库进行所述观者年龄特征、观者眼部状态特征、图像显示灰阶参数的特征相关性分析,获得观者面部分析特征;
第十六获得单元,所述第十六获得单元用于基于所述观者面部分析特征对所述第二图像信息集中观者面部信息进行观者年龄特征识别、眼部特征识别,获得观者年龄特征集、眼部特征集,基于所述观者年龄特征集、眼部特征集构建所述观者面部特征集。
进一步的,所述系统还包括:
第十七获得单元,所述第十七获得单元用于将所述观者年龄特征集、所述眼部特征集输入识别模型,获得观者年龄识别信息、眼部状态识别信息;
第十八获得单元,所述第十八获得单元用于根据所述观者年龄识别信息,获得适应图像显示范围;
第十九获得单元,所述第十九获得单元用于基于所述眼部状态识别信息,确定眼部适应图像显示要求,并根据所述眼部适应图像显示要求对所述适应图像显示范围进行限定,获得所述观者适应图像显示变化范围。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,前述图1实施例一中的一种显示效果的智能评估方法和具体实例同样适用于本实施例的一种显示效果的智能评估系统,通过前述对一种显示效果的智能评估方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种显示效果的智能评估系统,所以为了说明书的简洁,在此不再详述。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
实施例三
基于与前述实施例中一种显示效果的智能评估方法相同的发明构思,本申请还提供了一种计算机可读存储介质,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如实施例一的方法。
示例性电子设备
下面参考图6来描述本申请的电子设备,
基于与前述实施例中一种显示效果的智能评估方法相同的发明构思,本申请还提供了一种显示效果的智能评估系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行实施例一所述方法的步骤。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图6中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory,EEPROM)、只读光盘(compactdiscread-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种显示效果的智能评估方法。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请的范围,也不表示先后顺序。“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。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(SolidState Disk,SSD))等。
本申请中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (8)
1.一种显示效果的智能评估方法,其特征在于,所述方法应用于显示效果的智能评估系统,所述系统包括图像采集设备,所述方法包括:
通过所述图像采集设备获得第一图像信息集,所述第一图像信息集包括显示画面信息;
获得第二图像信息集,所述第二图像信息集包括观者面部信息,所述第一图像信息集与所述第二图像信息集具有时间对应性;
对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息;
根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息,所述图像变化评价信息是对所述第一图像集中图像的显示画面情况进行评价得到的评价信息;
判断所述图像变化评价信息是否满足显示效果要求;
当满足时,基于所述时间对应性对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,根据所述观者面部特征集确定观者适应图像显示变化范围;
根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果;
其中,根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息,包括:
根据所述显示画面信息,获得显示内容;
基于所述显示内容对所述显示画面信息进行边框识别,根据边框识别结果对边框进行标记,获得内容显示边框;
根据所述内容显示边框对所述显示画面信息进行分割;
根据所述图像灰阶化信息,获得子像素的显示灰阶;
基于所述显示画面信息上的分割边框,逐一对边框内每个像素列进行识别累加,获得分割边框灰阶累计数据,其中,所述分割边框灰阶累计数据包括横向数据、纵向数据;
分别对横向数据、纵向数据进行过渡像素列个数累加,获得分割边框显示距离值,将所述分割边框显示距离值作为所述图像变化评价信息。
2.如权利要求1所述的方法,其特征在于,所述对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息,包括:
通过双边滤波算法对所述第一图像信息集中显示画面信息进行去噪处理,获得去噪图像集;
对所述去噪图像集进行直方图绘制,获得图像直方图;
根据所述图像直方图中灰度值,确定所述图像灰阶化信息。
3.如权利要求1所述的方法,其特征在于,所述判断所述图像变化评价信息是否满足显示效果要求之后,包括:
当所述图像变化评价信息不满足所述显示效果要求时,根据所述图像变化评价信息、所述显示效果要求,获得第一调整值,所述第一调整值为所述图像变化评价信息满足所述显示效果要求的最小灰阶调整值;
根据所述第一调整值以所述分割边框为单位进行调整,直到图像变化评价信息满足所述显示效果要求为止。
4.如权利要求1所述的方法,其特征在于,对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,包括:
获得历史观者数据库,其中,包括观者年龄特征、观者眼部状态特征、图像显示灰阶参数及其映射关系;
根据所述历史观者数据库进行所述观者年龄特征、观者眼部状态特征、图像显示灰阶参数的特征相关性分析,获得观者面部分析特征;
基于所述观者面部分析特征对所述第二图像信息集中观者面部信息进行观者年龄特征识别、眼部特征识别,获得观者年龄特征集、眼部特征集,基于所述观者年龄特征集、眼部特征集构建所述观者面部特征集。
5.如权利要求4所述的方法,其特征在于,所述根据所述观者面部特征集确定观者适应图像显示变化范围,包括:
将所述观者年龄特征集、所述眼部特征集输入识别模型,获得观者年龄识别信息、眼部状态识别信息;
根据所述观者年龄识别信息,获得适应图像显示范围;
基于所述眼部状态识别信息,确定眼部适应图像显示要求,并根据所述眼部适应图像显示要求对所述适应图像显示范围进行限定,获得所述观者适应图像显示变化范围。
6.一种显示效果的智能评估系统,其特征在于,所述系统应用于权利要求1至5任一所述方法,所述系统包括:
第一获得单元,所述第一获得单元用于通过图像采集设备获得第一图像信息集,所述第一图像信息集包括显示画面信息;
第二获得单元,所述第二获得单元用于获得第二图像信息集,所述第二图像信息集包括观者面部信息,所述第一图像信息集与所述第二图像信息集具有时间对应性;
第三获得单元,所述第三获得单元用于对所述第一图像信息集中所述显示画面信息进行灰度化处理,获得图像灰阶化信息;
第四获得单元,所述第四获得单元用于根据所述图像灰阶化信息进行过渡变化关系分析,获得图像变化评价信息,所述图像变化评价信息是对所述第一图像集中图像的显示画面情况进行评价得到的评价信息;
第一判断单元,所述第一判断单元用于判断所述图像变化评价信息是否满足显示效果要求;
第五获得单元,所述第五获得单元用于当满足时,基于所述时间对应性对所述第二图像信息集进行观者面部特征提取,获得观者面部特征集,根据所述观者面部特征集确定观者适应图像显示变化范围;
第一确定单元,所述第一确定单元用于根据所述图像变化评价信息、所述观者适应图像显示变化范围进行匹配度分析,基于匹配度分析结果确定显示效果评估结果;
第八获得单元,所述第八获得单元用于根据所述显示画面信息,获得显示内容;
第九获得单元,所述第九获得单元用于基于所述显示内容对所述显示画面信息进行边框识别,根据边框识别结果对边框进行标记,获得内容显示边框;
第一分割单元,所述第一分割单元用于根据所述内容显示边框对所述显示画面信息进行分割;
第十获得单元,所述第十获得单元用于根据所述图像灰阶化信息,获得子像素的显示灰阶;
第十一获得单元,所述第十一获得单元用于基于所述显示画面信息上的分割边框,逐一对边框内每个像素列进行识别累加,获得分割边框灰阶累计数据,其中,所述分割边框灰阶累计数据包括横向数据、纵向数据;
第十二获得单元,所述第十二获得单元用于分别对横向数据、纵向数据进行过渡像素列个数累加,获得分割边框显示距离值,将所述分割边框显示距离值作为所述图像变化评价信息。
7.一种显示效果的智能评估系统,其特征在于,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行权利要求1至5任一项所述方法的步骤。
8.一种计算机可读存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1至5任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550993.4A CN115205205B (zh) | 2022-05-20 | 2022-05-20 | 一种显示效果的智能评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210550993.4A CN115205205B (zh) | 2022-05-20 | 2022-05-20 | 一种显示效果的智能评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115205205A CN115205205A (zh) | 2022-10-18 |
CN115205205B true CN115205205B (zh) | 2023-09-22 |
Family
ID=83575039
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210550993.4A Active CN115205205B (zh) | 2022-05-20 | 2022-05-20 | 一种显示效果的智能评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115205205B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02272491A (ja) * | 1989-04-13 | 1990-11-07 | Fujitsu Ltd | ディスプレイ表示画面検査装置 |
JPH11231827A (ja) * | 1997-07-24 | 1999-08-27 | Matsushita Electric Ind Co Ltd | 画像表示装置及び画像評価装置 |
CN111080633A (zh) * | 2019-12-20 | 2020-04-28 | Oppo(重庆)智能科技有限公司 | 屏缺陷检测方法、装置、终端设备以及存储介质 |
CN112653884A (zh) * | 2019-10-10 | 2021-04-13 | 北京滴普科技有限公司 | 一种屏幕质量优缺的评价方法 |
CN112666731A (zh) * | 2020-12-28 | 2021-04-16 | 惠州视维新技术有限公司 | 显示屏幕的可视角评估方法 |
CN113010126A (zh) * | 2021-02-10 | 2021-06-22 | 维沃移动通信有限公司 | 显示控制方法、装置、电子设备及介质 |
-
2022
- 2022-05-20 CN CN202210550993.4A patent/CN115205205B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02272491A (ja) * | 1989-04-13 | 1990-11-07 | Fujitsu Ltd | ディスプレイ表示画面検査装置 |
JPH11231827A (ja) * | 1997-07-24 | 1999-08-27 | Matsushita Electric Ind Co Ltd | 画像表示装置及び画像評価装置 |
CN112653884A (zh) * | 2019-10-10 | 2021-04-13 | 北京滴普科技有限公司 | 一种屏幕质量优缺的评价方法 |
CN111080633A (zh) * | 2019-12-20 | 2020-04-28 | Oppo(重庆)智能科技有限公司 | 屏缺陷检测方法、装置、终端设备以及存储介质 |
CN112666731A (zh) * | 2020-12-28 | 2021-04-16 | 惠州视维新技术有限公司 | 显示屏幕的可视角评估方法 |
CN113010126A (zh) * | 2021-02-10 | 2021-06-22 | 维沃移动通信有限公司 | 显示控制方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115205205A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
Gu et al. | Learning a no-reference quality assessment model of enhanced images with big data | |
Kang et al. | Convolutional neural networks for no-reference image quality assessment | |
Zhou et al. | Blind quality estimator for 3D images based on binocular combination and extreme learning machine | |
CN110782413B (zh) | 一种图像处理方法、装置、设备及存储介质 | |
CN104036493B (zh) | 一种基于多重分形谱的无参考图像质量评价方法 | |
Krasula et al. | Preference of experience in image tone-mapping: Dataset and framework for objective measures comparison | |
CN111507426A (zh) | 基于视觉融合特征的无参考图像质量分级评价方法及装置 | |
Chen et al. | Blind quality index for tone-mapped images based on luminance partition | |
CN110111347B (zh) | 图像标志提取方法、装置及存储介质 | |
CN104182983B (zh) | 基于角点特征的高速公路监控视频清晰度的检测方法 | |
Zhou et al. | Utilizing binocular vision to facilitate completely blind 3D image quality measurement | |
CN108447058B (zh) | 一种图像质量评价方法及系统 | |
CN110443800A (zh) | 视频图像质量的评价方法 | |
CN112017263B (zh) | 基于深度学习的试卷智能生成方法和系统 | |
CN111143615A (zh) | 一种短视频情感类别的识别装置 | |
CN112528939A (zh) | 一种人脸图像的质量评价方法及装置 | |
CN112419270A (zh) | 元学习下的无参考图像质量评价方法、装置及计算机设备 | |
CN109741315B (zh) | 一种基于深度强化学习的无参考图像质量客观评价方法 | |
Morzelona | Human visual system quality assessment in the images using the IQA model integrated with automated machine learning model | |
CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
Yang et al. | EHNQ: Subjective and objective quality evaluation of enhanced night-time images | |
Qureshi et al. | A comprehensive performance evaluation of objective quality metrics for contrast enhancement techniques | |
CN115205205B (zh) | 一种显示效果的智能评估方法及系统 | |
CN110706161B (zh) | 图像的亮度调整方法、介质、设备及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |