CN115914765A - 一种画质调节方法、装置、设备及介质 - Google Patents

一种画质调节方法、装置、设备及介质 Download PDF

Info

Publication number
CN115914765A
CN115914765A CN202110950397.0A CN202110950397A CN115914765A CN 115914765 A CN115914765 A CN 115914765A CN 202110950397 A CN202110950397 A CN 202110950397A CN 115914765 A CN115914765 A CN 115914765A
Authority
CN
China
Prior art keywords
image quality
detection result
multimedia resource
quality enhancement
algorithm
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.)
Pending
Application number
CN202110950397.0A
Other languages
English (en)
Inventor
熊一能
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zitiao Network Technology Co Ltd
Original Assignee
Beijing Zitiao Network Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zitiao Network Technology Co Ltd filed Critical Beijing Zitiao Network Technology Co Ltd
Priority to CN202110950397.0A priority Critical patent/CN115914765A/zh
Priority to PCT/CN2022/112786 priority patent/WO2023020493A1/zh
Priority to EP22857804.3A priority patent/EP4340374A1/en
Publication of CN115914765A publication Critical patent/CN115914765A/zh
Priority to US18/540,532 priority patent/US20240127406A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/60—Image enhancement or restoration using machine learning, e.g. neural networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/47—End-user applications
    • H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
    • H04N21/47205—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for manipulating displayed content, e.g. interacting with MPEG-4 objects, editing locally
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
    • H04N21/43—Processing of content or additional data, e.g. demultiplexing additional data from a digital video stream; Elementary client operations, e.g. monitoring of home network or synchronising decoder's clock; Client middleware
    • H04N21/44—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs
    • H04N21/44008—Processing of video elementary streams, e.g. splicing a video clip retrieved from local storage with an incoming video stream or rendering scenes according to encoded video stream scene graphs involving operations for analysing video streams, e.g. detecting features or characteristics in the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8455—Structuring of content, e.g. decomposing content into time segments involving pointers to the content, e.g. pointers to the I-frames of the video stream
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
    • H04N21/80—Generation or processing of content or additional data by content creator independently of the distribution process; Content per se
    • H04N21/83—Generation or processing of protective or descriptive data associated with content; Content structuring
    • H04N21/845—Structuring of content, e.g. decomposing content into time segments
    • H04N21/8456—Structuring of content, e.g. decomposing content into time segments by decomposing the content in the time domain, e.g. in time segments
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • 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
    • G06T2207/30168—Image quality inspection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Databases & Information Systems (AREA)
  • Image Processing (AREA)

Abstract

本公开实施例涉及一种画质调节方法、装置、设备及介质，其中该方法包括：获取多媒体资源，多媒体资源包括视频或图像；确定多媒体资源对应的场景检测结果和画质检测结果，其中，场景检测结果用于指示多媒体资源的至少一个维度的语义结果，画质检测结果用于指示多媒体资源的图像画质；基于场景检测结果和画质检测结果确定画质增强策略，并按照画质增强策略对多媒体资源进行画质增强处理，其中，画质增强策略中包括至少一种画质增强算法。本公开实施例，实现了自适应的并且有针对性的画质增强，显著提升了画质增强的效果，进而大幅提升了用户的体验效果。

Description

一种画质调节方法、装置、设备及介质
技术领域
本公开涉及图像处理技术领域，尤其涉及一种交互工具生成、装置、设备及介质。
背景技术
随着互联网技术和电子设备的不断发展，用户对图像或视频的画质要求越来越高。
为了提升用户体验可以通过画质增强算法进行画质增强，但是目前的画质增强方式较为简单，画质增强效果不能满足要求。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种画质调节方法、装置、设备及介质。
本公开实施例提供了一种画质调节方法，所述方法包括：
获取多媒体资源，所述多媒体资源包括视频或图像；
确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；
基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
本公开实施例还提供了一种画质调节装置，所述装置包括：
资源获取模块，用于获取多媒体资源，所述多媒体资源包括视频或图像；
场景画质模块，用于确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；
画质增强模块，用于基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
本公开实施例还提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开实施例提供的画质调节方法。
本公开实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开实施例提供的画质调节方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点：本公开实施例提供的画质调节方案，获取多媒体资源，多媒体资源包括视频或图像；确定多媒体资源对应的场景检测结果和画质检测结果，基于场景检测结果和画质检测结果确定画质增强策略，并按照画质增强策略对多媒体资源进行画质增强处理，其中，画质增强策略中包括至少一种画质增强算法。采用上述技术方案，基于视频或图像的场景和画质可以确定对应的画质增强策略，并采用该画质增强策略进行画质效果的增强，由于画质增强策略根据场景和画质两个维度的信息确定，并且可以由一个或多个画质增强算法组合而成，实现了自适应的并且有针对性的画质增强，显著提升了画质增强的效果，进而大幅提升了用户的体验效果。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。
图1为本公开实施例提供的一种画质调节方法的流程示意图；
图2为本公开实施例提供的另一种画质调节方法的流程示意图；
图3为本公开实施例提供的一种画质调节过程的示意图；
图4为本公开实施例提供的一种算法路由表的示意图；
图5为本公开实施例提供的一种画质调节装置的结构示意图；
图6为本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。
本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
画质增强是图像或视频的编辑工具中的功能，通常提供很多细分维度的调整能力，例如饱和度、对比度、清晰度、高亮和阴影等，但是需要一定的专业知识才能理解这些维度所代表的意义并进行合适的调参，对于普通用户并不友好。另外，复杂的调参也大幅增加了编辑的工作量，降低用户发布视频或图像的效率，进而影响用户的发布体验。
为了在画质增强的同时降低用户调参的工作量，目前出现了一些自动化的画质增强算法，如限制对比度自适应直方图均衡(Contrast Limited Adaptive HistogramEqualization，CLAHE)算法、锐化(Unsharp Mask，USM)算法等，但是目前的画质增强算法较为简单，通常是对单个维度的较为简单的自动增强，比如对比度增强、锐化、降噪等；或者，固定的若干个自动增强算法。但是在实际场景中，可能存在多种不同的画质问题，上述方式较为简单并不能得到一个很好的结果，画质增强效果不能满足要求。为了解决上述问题，本公开实施例提供了一种画质调节方法，下面结合具体的实施例对该方法进行介绍。
图1为本公开实施例提供的一种画质调节方法的流程示意图，该方法可以由画质调节装置执行，其中该装置可以采用软件和/或硬件实现，一般可集成在电子设备中。如图1所示，该方法包括：
步骤101、获取多媒体资源，多媒体资源包括视频或图像。
其中，多媒体资源可以为任意一个需要进行画质增强处理的视频或图像，具体文件格式和来源不限，例如多媒体资源可以为实时拍摄得到的视频或图像，也可以为从互联网上下载得到的视频或图像。
步骤102、确定多媒体资源对应的场景检测结果和画质检测结果。
其中，场景检测结果用于指示多媒体资源的至少一个维度的语义结果。场景是语义的一种，多媒体资源所要表达的场景语义可以包括描述的对象和场景类别等，场景检测结果可以理解为对多媒体资源进行一个或多个维度的场景语义的检测得到的结果。本公开实施例中场景检测结果可以包括昼夜结果、目标对象的检测结果、曝光程度等中的至少一个，目标对象可以为人脸。
画质检测结果用于指示多媒体资源的图像画质。画质检测结果是指对多媒体资源进行与显示效果相关的参数检测结果，本公开实施例中画质检测结果可以包括噪声程度和/或模糊程度等，噪声是指存在于图像或视频中的不必要的或多余的干扰信息。
本公开实施例中，获取多媒体资源之后，可以调用多个维度的检测算法对多媒体资源进行场景检测和画质检测，进而确定对应的场景检测结果和画质检测结果。其中，画质检测结果中噪声程度和模糊程度的确定方式可以为多种，本本公开实施例中对此不作限定。示例性的，通过基于神经网络的噪声识别模型进行多媒体资源的画质检测；通过确定峰值信噪比的方式进行多媒体资源的模糊程度的识别，峰值信噪比与模糊程度成反比，也即峰值信噪比越高，多媒体资源的模糊程度越低。
可选的，确定多媒体资源对应的场景检测结果，可以包括：采用昼夜分类的深度学习模型对多媒体资源进行检测，确定多媒体资源对应的昼夜结果，昼夜结果包括白天和夜晚；和/或，通过人脸识别算法确定多媒体资源的人脸检测结果。
其中，昼夜分类的深度学习模型可以为多种基于神经网络的分类模型，例如可以为支持向量机(Support Vector Machine，SVM)分类器，也可以为用于进行昼夜分类的卷积神经网络(Convolutional Neural Networks，CNN)，具体可以根据实际情况确定。具体的，针对多媒体资源可以统计其亮度直方图，并通过SVM分类器进行分类，或者，将多媒体资源的分辨率调整之后通过卷积神经网络进行分类，得到的检测结果为白天或夜晚。
人脸识别算法可以为任意一个能够进行人脸识别的算法，例如人脸识别算法可以为一个人脸识别的卷积神经网络。具体的，通过人脸识别的卷积神经网络对多媒体资源提取其中的人脸区域，或者，可以通过预设的人脸特征点的提取和匹配提取多媒体资源的人脸区域，得到的人脸检测结果可以为包括人脸区域或不包括人脸区域。
可选的，多媒体资源对应的场景检测结果中的曝光程度可以采用自动曝光系统(Automatic Exposure Control，AEC)进行确定。本公开实施例中的曝光程度可以包括欠曝光、正常曝光及过曝光。
可选的，本公开实施例中场景中的人脸检测结果和曝光程度可以对昼夜结果进行校正，例如多媒体资源为白天，但是由于在室内光线不充足的地方拍摄，昼夜结果可能误判为夜晚，此时当人脸检测结果为存在人脸区域，曝光程度为正常曝光或过曝光，则可以说明昼夜结果为白天。
步骤103、基于场景检测结果和画质检测结果确定画质增强策略，并按照画质增强策略对多媒体资源进行画质增强处理，其中，画质增强策略中包括至少一种画质增强算法。
其中，画质增强策略可以为用于对多媒体资源进行画质增强处理的综合性解决方案(pipeline)，该画质增强策略中可以包括至少一个画质增强算法，画质增强算法可以为能够自动对多媒体资源进行检测并有针对性的对需要进行处理的部分区域进行处理的算法，通常采用深度学习算法。当画质增强策略中包括多个画质增强算法时，多个画质增强算法具有执行先后顺序，上述执行先后顺序可以根据实际情况确定。
本公开实施例中，画质增强算法可以包括降噪算法、色彩亮度增强算法、肤色保护算法和锐化算法等中的至少一个画质增强算法。其中，色彩亮度增强算法可以基于深度神经网络实现，基于深度神经网络的色彩亮度增强算法可以通过构建色彩亮度增强数据集对卷积神经网络进行训练，之后采用训练好的卷积神经网络对多媒体资源进行色彩亮度增强。肤色保护算法是指针对多媒体资源中的人脸区域提取肤色范围，然后在人脸区域内进行肤色检测和分割，并对肤色区域的掩膜(mask)进行羽化模糊。
可选的，基于场景检测结果和画质检测结果确定画质增强策略，可以包括：根据场景检测结果和画质检测结果，通过查找算法路由表或者采用算法分支决策树确定对应的画质增强策略。其中，算法路由表为包括多个画质增强策略的路由表，算法分支决策树为包括多个分支判断策略的决策树。
算法路由表可以为包括多个不同情况下的画质增强策略的路由表，每个画质增强策略均由至少一个画质增强算法组合而成。算法分支决策树可以为包括多个分支判断策略的决策树，各个分支判断策略具有先后执行顺序。
具体的，确定多媒体资源对应的场景检测结果和画质检测结果之后，可以根据场景检测结果和画质检测结果通过在算法路由表中进行查找，确定对应的由至少一个画质增强算法组合而成的画质增强策略；或者，还可以将场景检测结果和画质检测结果输入算法分支决策树中，按照多个分支判断策略的预设先后执行顺序逐一进行分支判断，在每个分支判断策略之后均可以确定当前分支判断结果对应的画质增强算法，最终判断结束之后，可以得到由至少一个画质增强算法组合而成的画质增强策略。之后，可以采用画质增强策略对多媒体资源进行画质增强处理，得到增强后的多媒体资源。
可选的，在确定多媒体资源的画质增强算法时，还可以根据多媒体资源的描述(meta)信息进行确定，描述信息可以为该多媒体资源所包括的属性信息，例如多媒体资源为视频时，描述信息可以为视频标题或视频摘要等。根据多媒体资源的描述信息可以提取其中的关键字，根据关键字与预设建立的关键字与画质增强算法之间的映射关系确定对应的画质增强算法。
可选的，确定包括至少一个画质增强算法的画质增强算法之后，可以采用算法节点构成的执行图进行描述，并且其中的算法节点可以进行链条式的串行处理、分支式的并行处理以及上述两种处理方式的组合，具体不限。
本公开实施例提供的画质调节方案，获取多媒体资源，多媒体资源包括视频或图像；确定多媒体资源对应的场景检测结果和画质检测结果，基于场景检测结果和画质检测结果确定画质增强策略，并按照画质增强策略对多媒体资源进行画质增强处理，其中，画质增强策略中包括至少一种画质增强算法。采用上述技术方案，基于视频或图像的场景和画质可以确定对应的画质增强策略，并采用该画质增强策略进行画质效果的增强，由于画质增强策略根据场景和画质两个维度的信息确定，并且可以由一个或多个画质增强算法组合而成，实现了自适应的并且有针对性的画质增强，显著提升了画质增强的效果，进而大幅提升了用户的体验效果。
在一些实施例中，当多媒体资源为视频，确定多媒体资源对应的场景检测结果和画质检测结果，可以包括：在多媒体资源中提取多个关键帧；通过对多个关键帧的检测确定多媒体资源对应的场景检测结果和画质检测结果。
其中，关键帧可以为视频中包括的多个视频帧中的一个，关键帧能够表征一段视频，视频帧可以为构成视频的最小单位。当多媒体资源为视频时，可以先提取该视频中的多个关键帧，通过对多个关键帧分别进行场景检测和画质检测，可以实现对多媒体资源的场景检测和画质检测，得到场景检测结果和画质检测结果。
可选的，在多媒体资源中提取多个关键帧，可以包括：将多媒体资源划分为多个视频片段，相邻两个视频片段的相似度小于预设阈值；针对每个视频片段提取其中的多个关键帧。关键帧可以用于表征一个视频片段，关键帧可以通过对视频片段进行均匀抽取得到，具体数量可以根据实际情况确定。
具体的，当多媒体资源为视频时，可以先通过转场检测将视频划分为多个具有连续场景的视频片段，转场检测过程可以为依次确定视频的相邻两帧的相似度，当相似度小于预设阈值则说明当前相邻两帧的场景出现变换，可以当前相邻两帧中间为分界线对视频进行划分，划分之后的两个视频片段分别包括当前相邻两帧，因此两个视频片段的相似度也小于预设阈值。其中，预设阈值可以根据实际情况确定。将视频划分为多个视频片段之后，针对每个视频片段可以提取其中的多个关键帧。
可选的，通过对多个关键帧的检测确定多媒体资源对应的场景检测结果和画质检测结果，可以包括：通过对每个视频片段中包括的多个关键帧的场景检测和画质检测，确定每个视频片段对应的片段场景检测结果和片段画质检测结果。
在上述提取每个视频片段的多个关键帧之后，可以将关键帧作为后续场景和画质检测的输入，当确定多媒体资源的场景检测结果和画质检测结果时，可以视频片段为单位进行处理，也即通过对每个视频片段中包括的多个关键帧的场景检测和画质检测，确定每个视频片段对应的片段场景检测结果和片段画质检测结果，具体确定方式如上述实施例，在此不进行赘述。
由于每个视频片段中的关键帧的数量为多个，可以将多个关键帧对应的片段场景检测结果和片段画质检测结果进行信息聚合，确定每个视频片段的场景和画质。以一个视频片段下的片段场景检测结果和片段画质检测结果中的一个维度的检测结果为例，具体信息聚合的过程可以包括：对多个关键帧的目标维度的检测结果进行数量统计，确定各检测结果对应的关键帧的数量，将其中关键帧的数量大于或等于预设数量的检测结果，确定为目标维度下最终确定的检测结果，预设数量可以大于或等于关键帧的数量的一半；如果各检测结果对应的关键帧的数量相同，则确定各检测结果的置信度，将置信度最高的检测结果确定为目标维度下最终确定的检测结果。上述对结果的聚合，可以先根据分类结果投票确定最终检测结果，如果不能确定，则可以根据数值结果继续判断确定最终的检测结果。
在一些实施例中，对多媒体资源进行画质增强处理，包括：根据每个视频片段对应的片段场景检测结果和片段画质检测结果所确定的片段画质增强算法，分别对多媒体资源中的每个视频片段进行画质增强处理。
针对上述划分为多个视频片段的多媒体资源，确定每个视频片段的片段场景检测结果和片段画质检测结果之后，可以视频片段为单位进行画质增强处理，也即根据每个视频片段对应的片段场景检测结果和片段画质检测结果通过查找算法路由表或者采用算法分支决策树确定对应的片段画质增强算法，并采用片段画质增强算法分别对各视频片段进行画质增强处理，得到增强后的各视频片段。
上述方案中，不仅可以对视频实现画质增强，而且还能够针对视频中的各不同场景下的视频片段分别采用对应的画质增强方式进行增强，使得视频的画质增强效果更加准确并且更加具有针对性，进而使增强后视频的画质效果更加多样化。
图2为本公开实施例提供的另一种画质调节方法的流程示意图，本实施例在上述实施例的基础上，进一步优化了上述画质调节方法。如图2所示，该方法包括：
步骤201、获取多媒体资源。
其中，多媒体资源包括视频或图像。
步骤202、确定多媒体资源对应的场景检测结果和画质检测结果。
其中，场景检测结果包括昼夜结果、目标对象的检测结果、曝光程度中的至少一个，画质检测结果包括噪声程度和/或模糊程度。
可选的，确定多媒体资源对应的场景检测结果，包括：采用昼夜分类的深度学习模型对多媒体资源进行检测，确定多媒体资源对应的昼夜结果，昼夜结果包括白天和夜晚；和/或，通过人脸识别算法确定多媒体资源的人脸检测结果。
步骤203、根据场景检测结果和画质检测结果，通过查找算法路由表或者采用算法分支决策树确定对应的画质增强策略。
其中，画质增强策略中包括至少一种画质增强算法。可选的，画质增强算法包括降噪算法、色彩亮度增强算法、肤色保护算法和锐化算法中的至少一个。算法路由表为包括多个画质增强策略的路由表，算法分支决策树为包括多个分支判断策略的决策树。
可选的，算法路由表为包括多个画质增强策略的路由表，算法分支决策树为包括多个分支判断策略的决策树。
可选的，当多媒体资源为视频，确定多媒体资源对应的场景检测结果和画质检测结果，包括：在多媒体资源中提取多个关键帧；通过对多个关键帧的检测确定多媒体资源对应的场景检测结果和画质检测结果。
可选的，在多媒体资源中提取多个关键帧，可以包括：将多媒体资源划分为多个视频片段，相邻两个视频片段的相似度小于预设阈值；针对每个视频片段提取其中的多个关键帧。可选的，通过对多个关键帧的检测确定多媒体资源对应的场景检测结果和画质检测结果，包括：通过对每个视频片段中包括的多个关键帧的场景检测和画质检测，确定每个视频片段对应的片段场景检测结果和片段画质检测结果。
步骤204、按照画质增强策略对多媒体资源进行画质增强处理。
可选的，当多媒体资源为视频，对多媒体资源进行画质增强处理，包括：根据每个视频片段对应的片段场景检测结果和片段画质检测结果所确定的片段画质增强算法，分别对多媒体资源中的每个视频片段进行画质增强处理。
示例性的，图3为本公开实施例提供的一种画质调节过程的示意图，图3中以多媒体资源为视频为例，表示本公开实施例提供的画质调节过程。如图3所示，具体过程可以包括：1、首先通过转场检测将视频划分成连续场景的片段，如图中完整的视频被划分成多个视频片段。2、针对每个视频片段，抽取若干帧用作场景及画质检测的输入。3、调用检测算法对抽取的帧分别进行场景和画质的检测，检测维度包括但不限于图中的昼夜检测、噪声检测、曝光检测、人脸检测和模糊检测，其中，昼夜结果、曝光程度和人脸检测属于场景检测结果，噪声程度和模糊程度属于画质检测结果。4、将多个帧的场景和画质检测结果进行聚合，得到每个视频片段的场景和画质。5、根据各视频片段的场景、画质和视频携带的描述(meta)信息，可以生成视频对应的画质增强方案(pipeline)，画质增强方案可以由多个具有先后执行顺序的处理算法组合而成。6、具体的方式可以包括：a、以场景、画质和描述信息为条件项进行依次算法路；b、以场景、画质和描述信息为条件项的算法分支决策树。7、画质增强方案可以用算法节点构成的图进行描述，各个算法允许链条式的串行处理、分支式的并行处理以及上述两种处理方案的组合。如图3中确定的画质增强方案中可以包括降噪、色彩亮度增强、肤色保护和锐化四个算法，箭头表征了执行顺序，色彩亮度增强和肤色保护可以并行处理。8、根据各视频片段对应的画质增强方案分别对各视频片段进行画质增强处理，得到增强后的视频片段。
示例性的，图4为本公开实施例提供的一种算法路由表的示意图，如图4所示，展示了一个示例性的算法路由表，该算法路由表可以预先根据建立并存储，在实际使用时，确定场景和画质之后，通过查找该算法路由表，可以确定对应的画质增强策略，如图中第一列中的场景和画质分别为：夜景(即夜晚)、欠曝、噪声程度的范围为[a,b]、检测到人脸、不模糊，对应的画质增强策略可以包括图中的降噪、色彩亮度增强、肤色保护和锐化四个画质增强算法，执行顺序如图4中所示，图中通过不同算法可以采用属性不同的圆形来表示，例如可以采用灰度不同或填充颜色不同的圆形来表示。
上述方案中，当多媒体资源为视频时，通过对视频进行连续片段划分，对每个连续场景片段进行场景检测和画质检测，得到其场景和画质信息；之后根据场景和画质信息，基于路由表或决策树等方式生成由多个算法组合而成的画质增强方案，并对各视频片段进行增强。
本方案中，针对未知场景和画质的视频或图像，提出了一种基于场景和画质的增强方案，通过对视频或图像进行检测，分析存在的画质问题，然后再自动选择合适的综合解决方案和算法参数，通过自动组合多种不同的算法实现自适应的、有针对性的画质增强，避免了单个增强算法或固定算法流程无法适应所有场景而造成的准确定低的问题，从而显著提升画质增强的效果，大幅降低用户编辑的工作量。
本公开实施例提供的画质调节方案，获取多媒体资源，多媒体资源包括视频或图像；确定多媒体资源对应的场景检测结果和画质检测结果；根据场景检测结果和画质检测结果，通过查找算法路由表或者采用算法分支决策树确定对应的画质增强策略；采按照画质增强策略对多媒体资源进行画质增强处理。采用上述技术方案，基于视频或图像的场景和画质可以确定对应的画质增强策略，并采用该画质增强策略进行画质效果的增强，由于画质增强策略根据场景和画质两个维度的信息确定，并且可以由一个或多个画质增强算法组合而成，实现了自适应的并且有针对性的画质增强，显著提升了画质增强的效果，进而大幅提升了用户的体验效果。
图5为本公开实施例提供的一种画质调节装置的结构示意图，该装置可由软件和/或硬件实现，一般可集成在电子设备中。如图5所示，该装置包括：
资源获取模块301，用于获取多媒体资源，所述多媒体资源包括视频或图像；
场景画质模块302，用于确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；
画质增强模块303，用于基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
可选的，所述场景检测结果包括昼夜结果、目标对象的检测结果、曝光程度中的至少一个，所述画质检测结果包括噪声程度和/或模糊程度。
可选的，所述场景画质模块302具体用于：
根据所述场景检测结果和所述画质检测结果，通过查找算法路由表或者采用算法分支决策树确定对应的画质增强策略。
可选的，所述算法路由表为包括多个画质增强策略的路由表，所述算法分支决策树为包括多个分支判断策略的决策树。
可选的，当所述画质增强策略中包括多个画质增强算法画质增强算法时，所述多个画质增强算法画质增强算法具有执行先后顺序。
可选的，当所述多媒体资源为视频，所述场景画质模块302包括：
帧提取单元，用于在所述多媒体资源中提取多个关键帧；
检测单元，用于通过对所述多个关键帧的检测确定所述多媒体资源对应的场景检测结果和画质检测结果。
可选的，所述帧提取单元具体用于：
将所述多媒体资源划分为多个视频片段，相邻两个视频片段的相似度小于预设阈值；
针对每个所述视频片段提取其中的多个关键帧。
可选的，所述检测单元用于：
通过对每个所述视频片段中包括的所述多个关键帧的场景检测和画质检测，确定每个所述视频片段对应的片段场景检测结果和片段画质检测结果。
可选的，所述画质增强模块303具体用于：
根据每个所述视频片段对应的片段场景检测结果和片段画质检测结果所确定的片段画质增强算法，分别对所述多媒体资源中的每个所述视频片段进行画质增强处理。
可选的，所述画质增强算法包括降噪算法、色彩亮度增强算法、肤色保护算法和锐化算法中的至少一个。
本公开实施例所提供的画质调节装置可执行本公开任意实施例所提供的画质调节方法，具备执行方法相应的功能模块和有益效果。
本公开实施例还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本公开任意实施例所提供的画质调节方法。
图6为本公开实施例提供的一种电子设备的结构示意图。下面具体参考图6，其示出了适于用来实现本公开实施例中的电子设备400的结构示意图。本公开实施例中的电子设备400可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示，电子设备400可以包括处理装置(例如中央处理器、图形处理器等)401，其可以根据存储在只读存储器(ROM)402中的程序或者从存储装置408加载到随机访问存储器(RAM)403中的程序而执行各种适当的动作和处理。在RAM 403中，还存储有电子设备400操作所需的各种程序和数据。处理装置401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
通常，以下装置可以连接至I/O接口405：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置406；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置407；包括例如磁带、硬盘等的存储装置408；以及通信装置409。通信装置409可以允许电子设备400与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备400，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置409从网络上被下载和安装，或者从存储装置408被安装，或者从ROM 402被安装。在该计算机程序被处理装置401执行时，执行本公开实施例的画质调节方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取多媒体资源，所述多媒体资源包括视频或图像；确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
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。
根据本公开的一个或多个实施例，本公开提供了一种画质调节方法，包括：
获取多媒体资源，所述多媒体资源包括视频或图像；
确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；
基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，所述场景检测结果包括昼夜结果、目标对象的检测结果、曝光程度中的至少一个，所述画质检测结果包括噪声程度和/或模糊程度。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，基于所述场景检测结果和所述画质检测结果确定画质增强策略，包括：
根据所述场景检测结果和所述画质检测结果，通过查找算法路由表或者采用算法分支决策树确定对应的画质增强策略。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，所述算法路由表为包括多个画质增强策略的路由表，所述算法分支决策树为包括多个分支判断策略的决策树。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，当所述画质增强策略中包括多个画质增强算法画质增强算法时，所述多个画质增强算法画质增强算法具有执行先后顺序。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，当所述多媒体资源为视频，确定所述多媒体资源对应的场景检测结果和画质检测结果，包括：
在所述多媒体资源中提取多个关键帧；
通过对所述多个关键帧的检测确定所述多媒体资源对应的场景检测结果和画质检测结果。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，在所述多媒体资源中提取多个关键帧，包括：
将所述多媒体资源划分为多个视频片段，相邻两个视频片段的相似度小于预设阈值；
针对每个所述视频片段提取其中的多个关键帧。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，通过对所述多个关键帧的检测确定所述多媒体资源对应的场景检测结果和画质检测结果，包括：
通过对每个所述视频片段中包括的所述多个关键帧的场景检测和画质检测，确定每个所述视频片段对应的片段场景检测结果和片段画质检测结果。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，对所述多媒体资源进行画质增强处理，包括：
根据每个所述视频片段对应的片段场景检测结果和片段画质检测结果所确定的片段画质增强算法，分别对所述多媒体资源中的每个所述视频片段进行画质增强处理。
根据本公开的一个或多个实施例，本公开提供的画质调节方法中，所述画质增强算法包括降噪算法、色彩亮度增强算法、肤色保护算法和锐化算法中的至少一个。
根据本公开的一个或多个实施例，本公开提供了一种画质调节装置，包括：
资源获取模块，用于获取多媒体资源，所述多媒体资源包括视频或图像；
场景画质模块，用于确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；
画质增强模块，用于基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，所述场景检测结果包括昼夜结果、目标对象的检测结果、曝光程度中的至少一个，所述画质检测结果包括噪声程度和/或模糊程度。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，所述场景画质模块具体用于：
根据所述场景检测结果和所述画质检测结果，通过查找算法路由表或者采用算法分支决策树确定对应的画质增强策略。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，所述算法路由表为包括多个画质增强策略的路由表，所述算法分支决策树为包括多个分支判断策略的决策树。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，当所述画质增强策略中包括多个画质增强算法画质增强算法时，所述多个画质增强算法画质增强算法具有执行先后顺序。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，当所述多媒体资源为视频，所述场景画质模块包括：
帧提取单元，用于在所述多媒体资源中提取多个关键帧；
检测单元，用于通过对所述多个关键帧的检测确定所述多媒体资源对应的场景检测结果和画质检测结果。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，所述帧提取单元具体用于：
将所述多媒体资源划分为多个视频片段，相邻两个视频片段的相似度小于预设阈值；
针对每个所述视频片段提取其中的多个关键帧。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，所述检测单元用于：
通过对每个所述视频片段中包括的所述多个关键帧的场景检测和画质检测，确定每个所述视频片段对应的片段场景检测结果和片段画质检测结果。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，所述画质增强模块具体用于：
根据每个所述视频片段对应的片段场景检测结果和片段画质检测结果所确定的片段画质增强算法，分别对所述多媒体资源中的每个所述视频片段进行画质增强处理。
根据本公开的一个或多个实施例，本公开提供的画质调节装置中，所述画质增强算法包括降噪算法、色彩亮度增强算法、肤色保护算法和锐化算法中的至少一个。
根据本公开的一个或多个实施例，本公开提供了一种电子设备，包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现如本公开提供的任一所述的画质调节方法。
根据本公开的一个或多个实施例，本公开提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行如本公开提供的任一所述的画质调节方法。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (13)

1.一种画质调节方法，其特征在于，包括：
获取多媒体资源，所述多媒体资源包括视频或图像；
确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；
基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
2.根据权利要求1所述的方法，其特征在于，所述场景检测结果包括昼夜结果、目标对象的检测结果、曝光程度中的至少一个，所述画质检测结果包括噪声程度和/或模糊程度。
3.根据权利要求1所述的方法，其特征在于，基于所述场景检测结果和所述画质检测结果确定画质增强策略，包括：
根据所述场景检测结果和所述画质检测结果，通过查找算法路由表或者采用算法分支决策树确定对应的画质增强策略。
4.根据权利要求3所述的方法，其特征在于，所述算法路由表为包括多个画质增强策略的路由表，所述算法分支决策树为包括多个分支判断策略的决策树。
5.根据权利要求1所述的方法，其特征在于，当所述画质增强策略中包括多个画质增强算法画质增强算法时，所述多个画质增强算法画质增强算法具有执行先后顺序。
6.根据权利要求1所述的方法，其特征在于，当所述多媒体资源为视频，确定所述多媒体资源对应的场景检测结果和画质检测结果，包括：
在所述多媒体资源中提取多个关键帧；
通过对所述多个关键帧的检测确定所述多媒体资源对应的场景检测结果和画质检测结果。
7.根据权利要求6所述的方法，其特征在于，在所述多媒体资源中提取多个关键帧，包括：
将所述多媒体资源划分为多个视频片段，相邻两个视频片段的相似度小于预设阈值；
针对每个所述视频片段提取其中的多个关键帧。
8.根据权利要求7所述的方法，其特征在于，通过对所述多个关键帧的检测确定所述多媒体资源对应的场景检测结果和画质检测结果，包括：
通过对每个所述视频片段中包括的所述多个关键帧的场景检测和画质检测，确定每个所述视频片段对应的片段场景检测结果和片段画质检测结果。
9.根据权利要求6所述的方法，其特征在于，对所述多媒体资源进行画质增强处理，包括：
根据每个所述视频片段对应的片段场景检测结果和片段画质检测结果所确定的片段画质增强算法，分别对所述多媒体资源中的每个所述视频片段进行画质增强处理。
10.根据权利要求1所述的方法，其特征在于，所述画质增强算法包括降噪算法、色彩亮度增强算法、肤色保护算法和锐化算法中的至少一个。
11.一种画质调节装置，其特征在于，包括：
资源获取模块，用于获取多媒体资源，所述多媒体资源包括视频或图像；
场景画质模块，用于确定所述多媒体资源对应的场景检测结果和画质检测结果，其中，所述场景检测结果用于指示所述多媒体资源的至少一个维度的语义结果，所述画质检测结果用于指示所述多媒体资源的图像画质；
画质增强模块，用于基于所述场景检测结果和所述画质检测结果确定画质增强策略，并按照所述画质增强策略对所述多媒体资源进行画质增强处理，其中，所述画质增强策略中包括至少一种画质增强算法。
12.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现上述权利要求1-10中任一所述的画质调节方法。
13.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-10中任一所述的画质调节方法。
CN202110950397.0A 2021-08-18 2021-08-18 一种画质调节方法、装置、设备及介质 Pending CN115914765A (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202110950397.0A CN115914765A (zh) 2021-08-18 2021-08-18 一种画质调节方法、装置、设备及介质
PCT/CN2022/112786 WO2023020493A1 (zh) 2021-08-18 2022-08-16 一种画质调节方法、装置、设备及介质
EP22857804.3A EP4340374A1 (en) 2021-08-18 2022-08-16 Picture quality adjustment method and apparatus, and device and medium
US18/540,532 US20240127406A1 (en) 2021-08-18 2023-12-14 Image quality adjustment method and apparatus, device, and medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110950397.0A CN115914765A (zh) 2021-08-18 2021-08-18 一种画质调节方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115914765A true CN115914765A (zh) 2023-04-04

Family

ID=85240082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110950397.0A Pending CN115914765A (zh) 2021-08-18 2021-08-18 一种画质调节方法、装置、设备及介质

Country Status (4)

Country Link
US (1) US20240127406A1 (zh)
EP (1) EP4340374A1 (zh)
CN (1) CN115914765A (zh)
WO (1) WO2023020493A1 (zh)

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011166315A (ja) * 2010-02-05 2011-08-25 Sharp Corp 表示装置、表示装置の制御方法、プログラム及び記録媒体
JP2012049841A (ja) * 2010-08-27 2012-03-08 Casio Comput Co Ltd 撮像装置およびプログラム
CN107846625B (zh) * 2017-10-30 2019-09-24 Oppo广东移动通信有限公司 视频画质调整方法、装置、终端设备及存储介质
CN110738611B (zh) * 2019-09-20 2022-08-16 网宿科技股份有限公司 一种视频画质增强方法、系统及设备
CN110781740B (zh) * 2019-09-20 2023-04-07 网宿科技股份有限公司 一种视频画质识别方法、系统及设备
CN111031346B (zh) * 2019-10-28 2021-11-02 网宿科技股份有限公司 一种增强视频画质的方法和装置
CN110933490B (zh) * 2019-11-20 2021-07-27 深圳创维－Rgb电子有限公司 一种画质和音质的自动调整方法、智能电视机及存储介质
CN111163349B (zh) * 2020-02-20 2021-03-02 腾讯科技（深圳）有限公司 一种画质参数调校方法、装置、设备及可读存储介质
CN113014992A (zh) * 2021-03-09 2021-06-22 四川长虹电器股份有限公司 智能电视的画质切换方法及装置

Also Published As

Publication number Publication date
US20240127406A1 (en) 2024-04-18
WO2023020493A1 (zh) 2023-02-23
EP4340374A1 (en) 2024-03-20

Similar Documents

Publication Publication Date Title
CN108229526B (zh) 网络训练、图像处理方法、装置、存储介质和电子设备
CN111368685B (zh) 关键点的识别方法、装置、可读介质和电子设备
CN111476309A (zh) 图像处理方法、模型训练方法、装置、设备及可读介质
CN111950723A (zh) 神经网络模型训练方法、图像处理方法、装置及终端设备
CN109961032B (zh) 用于生成分类模型的方法和装置
CN110991373A (zh) 图像处理方法、装置、电子设备及介质
CN112272832A (zh) 用于基于dnn的成像的方法和系统
CN110929070A (zh) 图像处理方法、装置、电子设备及存储介质
CN111757100B (zh) 相机运动变化量的确定方法、装置、电子设备和介质
CN111080595A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN114494298A (zh) 对象分割方法、装置、设备及存储介质
WO2023125750A1 (zh) 一种图像去噪方法、装置和存储介质
CN113742025A (zh) 页面生成方法、装置、设备和存储介质
Wu et al. Reflectance-guided histogram equalization and comparametric approximation
CN110689478B (zh) 图像风格化处理方法、装置、电子设备及可读介质
CN114650361A (zh) 拍摄模式确定方法、装置、电子设备和存储介质
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN110852250A (zh) 一种基于最大面积法的车辆排重方法、装置及存储介质
CN115830362A (zh) 图像处理方法、装置、设备、介质及产品
CN115914765A (zh) 一种画质调节方法、装置、设备及介质
CN115471413A (zh) 图像处理方法及装置、计算机可读存储介质和电子设备
CN113762016A (zh) 关键帧选取方法和装置
CN113409199A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN112312200A (zh) 视频封面生成方法、装置和电子设备
CN111737575A (zh) 内容分发方法、装置、可读介质及电子设备

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