显示设备的性能参数检测方法和系统与流程

本发明涉及信号检测技术领域，特别是涉及一种显示设备的性能参数检测方法和系统。

背景技术：

显示设备是一种可输出图像或感触信息的设备。如果输入信号为电子信号，这种显示设备就会被称为电子显示设备，相对的还有机械显示设备。常见的显示设备包括电视机、电脑等。为了保证显示设备正常工作，通常需要对显示设备的一些性能参数进行检测。以电视机为例，电视机的主板灵敏度是电视机的一个重要性能性能参数。

现有的检测电视机主板灵敏度的方案是：通过专用设备发出视频信号，输出至电视机主板，然后再显示在电视机屏幕上；测试人员手工调节专用设备输出信号的强调，同时观察屏幕上是否出现马赛克效应。在马赛克出现的临界环节，对应的信号强度即为该电视机主板的灵敏度。还有一种方案是：通过解码芯片直接获取误码率(误码率的表现形式即为马赛克效应)。现有技术的缺点是：

(1)采用人工调节信号强度，人工观察是否出现马赛克效应，人工成本较高。

(2)通过芯片计算误码率，硬件成本高。

综上所述，现有技术对显示设备的性能参数检测成本高。

技术实现要素：

基于此，有必要针对现有技术成本高的问题，提供一种显示设备的性能参数检测方法和系统。

一种显示设备的性能参数检测方法，包括以下步骤：

获取显示设备的主板对信号强度为预设值的原始视频信号进行解码后输出的图像；其中，所述预设值是使所述原始视频信号经所述显示设备解码输出后无马赛克效应与出现马赛克效应之间的临界信号强度；

将每帧图像划分为若干个不重叠的图像区域，将各个图像区域分别输入预先训练的分类器，计算各个图像区域属于有马赛克类别的第一概率及其属于无马赛克类别的第二概率；其中，所述无马赛克类别是所述图像区域未出现马赛克效应的类别，反之，所述有马赛克类别是所述图像区域出现马赛克效应的类别；

根据所述第一概率和第二概率计算所述图像的马赛克效应强度，根据所述马赛克效应强度确定所述显示设备的性能参数；其中，所述马赛克效应强度用于表征所述图像中出现马赛克效应的图像区域在所述图像中的比例。

一种显示设备的性能参数检测系统，包括：

图像获取模块，用于获取显示设备的主板对信号强度为预设值的原始视频信号进行解码后输出的图像；其中，所述预设值是使所述原始视频信号经所述显示设备解码输出后无马赛克效应与出现马赛克效应之间的临界信号强度；

计算模块，用于将每帧图像划分为若干个不重叠的图像区域，将各个图像区域分别输入预先训练的分类器，计算各个图像区域属于有马赛克类别的第一概率及其属于无马赛克类别的第二概率；其中，所述无马赛克类别是所述图像区域未出现马赛克效应的类别，反之，所述有马赛克类别是所述图像区域出现马赛克效应的类别；

确定模块，用于根据所述第一概率和第二概率计算所述图像的马赛克效应强度，根据所述马赛克效应强度确定所述显示设备的性能参数；其中，所述马赛克效应强度用于表征所述图像中出现马赛克效应的图像区域在所述图像中的比例。

上述显示设备的性能参数检测方法和系统，通过获取临界强度下的原始视频信号对应的输出图像，将每帧输出图像划分为多个图像区域，将各个图像区域分别输入预先训练的分类器，计算各个图像区域属于有马赛克类别的第一概率及其属于无马赛克类别的第二概率，从而计算所述图像的马赛克效应强度，并根据所述马赛克效应强度确定所述显示设备的性能参数，能够实现所述性能参数的自动检测，无需人工调节，也无需额外的硬件设备，成本低、效率高。

附图说明

图1为一个实施例的显示设备的性能参数检测方法流程图；

图2为一个实施例的异常样本构建示意图；

图3为一个实施例的深度卷积网络结构示意图；

图4为一个实施例的显示设备的性能参数检测系统的结构示意图。

具体实施方式

下面结合附图对本发明的显示设备的性能参数检测方法和系统的实施例进行描述。

图1为本发明的显示设备的性能参数检测方法流程图。如图1所示，所述显示设备的性能参数检测方法可包括以下步骤：

S1，获取显示设备的主板对信号强度为预设值的原始视频信号进行解码后输出的图像；其中，所述预设值是使所述原始视频信号经所述显示设备解码输出后无马赛克效应与出现马赛克效应之间的临界信号强度；

在本步骤中，所述原始视频信号可以是质量较高的视频信号，其中，所述质量较高可以指所述原始视频信号的信号强度为经所述显示设备解码输出后无马赛克效应对应的信号强度。可以通过控制设备调节视频信号发生设备，向所述显示设备输出质量较高的视频信号。一般来说，信号强度超过一定范围，视频信号的质量较高。在此基础上，可以以预设的步长逐渐调整所述原始视频信号的信号强度，直到所述显示设备的主板对所述原始视频信号进行解码后输出的图像恰好出现马赛克效应。此时的信号强度即为临界信号强度，对应的输出的图像即为所需图像。其中，所述预设的步长可以根据实际需要设定，步长越小，获取临界信号强度的精确度越高。

S2，将每帧图像划分为若干个不重叠的图像区域，将各个图像区域分别输入预先训练的分类器，计算各个图像区域属于有马赛克类别的第一概率及其属于无马赛克类别的第二概率；其中，所述无马赛克类别是所述图像区域未出现马赛克效应的类别，反之，所述有马赛克类别是所述图像区域出现马赛克效应的类别；

设步骤中获取的图像为I，尺寸为M×N。由于马赛克效应通常出现在局部区域，故可将每帧图像划分为大小为b×b的不重叠的区域，如I＝[b₁,b₂,...,b_k]，针对任意一个区域b_i，可将该图像区域b_i输入预先训练的分类器。该分类器的作用是获取图像区域b_i属于有马赛克类别的第一概率p(c₁/b_i)及其属于无马赛克类别的第二概率p(c₂/b_i)。若p(c₁/b_i)＞p(c₂/b_i)，则表示该区域具有马赛克效应，属于有马赛克效应类别；反之，则表示该区域不具有马赛克效应，属于无马赛克效应类别。

可构建的正常样本与异常样本，并根据该正常样本与异常样本训练出所述分类器。具体地，训练分类器的方式包括以下步骤：

步骤1、样本集构建

设原始视频序列为Y＝[y₁,y₂,…y_m]，每帧图像尺寸为M×N，可将每帧图像划分为大小为b×b的不重叠的区域，如将所有图像生成的子块区域作为正常样本(标注为无马赛克效应类别)。

异常样本则需要从实际系统中具有马赛克效应的图像中去抓取出来，可通过人工进行标注。如图2所示，若标注的区域A具有方块效应，则可以在区域A中随机地截取不重叠的大小为b×b的异常样本(如图2中的C子区域)。

可以调整信号强度，使输出的序列具有较多的马赛克方块，再标出这些区域，随机截取即可得到样本。正常样本与异常样本都应该用相同内容的视频构建，区别是正常样本的视频图像清晰，无马赛克效应，而异常样本对应的视频图像具有马赛克效应。

步骤2、深度卷积网络参数学习

可利用收集的正常样本和异常样本(即子块图像)及其标注(是否具有马赛克效应)，对深度卷积网络进行训练，得到分类器，如图3所示。本发明采用的深度卷积网络可包括五个卷积层(Convolutional Layer)，每个卷积层的输出都经过ReLU(Rectified Linear Units，修正线性单元)激活函数进行非线性变换，再经过池化层(Pooling Layer)进行池化，再接两个全连接层(Fully-Connected Layer)，最后通过Softmax函数输出分类概率(输入样本b属于任意每个类别的概率p(c₁/b)和p(c₂/b)，c₁其中表示有马赛克效应类别，c₂表示无马赛克效应类别)。

S3，根据所述第一概率和第二概率计算所述图像的马赛克效应强度，根据所述马赛克效应强度确定所述显示设备的性能参数；其中，所述马赛克效应强度用于表征所述图像中出现马赛克效应的图像区域在所述图像中的比例。

最后，当前图像I的马赛克效应强度为：

式中，M_I为所述马赛克效应强度，b_i为所述图像中的第i个图像区域，p(c₂/b_i)为所述第二概率，p(c₁/b_i)为所述第一概率，k为所述图像中图像区域的数量，i为0到k之间的整数，若p(c₁/b_i)＞p(c₂/b_i)为真，则{p(c₁/b_i)＞p(c₂/b_i)}的值取1，若p(c₁/b_i)＞p(c₂/b_i)为假，则{p(c₁/b_i)＞p(c₂/b_i)}的值取0。可以根据所述马赛克效应强度确定所述显示设备的性能参数(例如，电视机主板的灵敏度)。

本发明的显示设备的性能参数检测方法具有以下优点：

(1)无需人工调节信号强度、人工观察是否出现马赛克效应，人工成本低，方法简便，效率高。

(2)无需额外的硬件设备，不依赖任何解芯片，硬件成本低。

(3)无需采用参考视频序列，操作方便，适用范围广。

图4为本发明的显示设备的性能参数检测系统的结构示意图。如图2所示，所述显示设备的性能参数检测系统可包括：

图像获取模块10，用于获取显示设备的主板对信号强度为预设值的原始视频信号进行解码后输出的图像；其中，所述预设值是使所述原始视频信号经所述显示设备解码输出后无马赛克效应与出现马赛克效应之间的临界信号强度；

所述原始视频信号可以是质量较高的视频信号，其中，所述质量较高可以指所述原始视频信号的信号强度为经所述显示设备解码输出后无马赛克效应对应的信号强度。可以通过第一获取单元获取第一信号强度的原始视频信号(即质量较高的视频信号)，所述第一信号强度是使所述原始视频信号经所述显示设备的主板解码后输出无马赛克效应的图像对应的信号强度。一般来说，信号强度超过一定范围，视频信号的质量较高。在此基础上，可以通过调整单元以预设的步长逐渐调整所述原始视频信号的信号强度，直到所述显示设备的主板对所述原始视频信号进行解码后输出的图像恰好出现马赛克效应。此时的信号强度即为临界信号强度，对应的输出的图像即为所需图像。其中，所述预设的步长可以根据实际需要设定，步长越小，获取临界信号强度的精确度越高。最后，可通过第二获取单元获取当前输出的图像。

计算模块20，用于将每帧图像划分为若干个不重叠的图像区域，将各个图像区域分别输入预先训练的分类器，计算各个图像区域属于有马赛克类别的第一概率及其属于无马赛克类别的第二概率；其中，所述无马赛克类别是所述图像区域未出现马赛克效应的类别，反之，所述有马赛克类别是所述图像区域出现马赛克效应的类别；

设获取的图像为I，尺寸为M×N。由于马赛克效应通常出现在局部区域，故可将每帧图像划分为大小为b×b的不重叠的区域，如I＝[b₁,b₂,...,b_k]，针对任意一个区域b_i，可将该图像区域b_i输入预先训练的分类器。该分类器的作用是获取图像区域b_i属于有马赛克类别的第一概率p(c₁/b_i)及其属于无马赛克类别的第二概率p(c₂/b_i)。若p(c₁/b_i)＞p(c₂/b_i)，则表示该区域具有马赛克效应，属于有马赛克效应类别；反之，则表示该区域不具有马赛克效应，属于无马赛克效应类别。

可构建的正常样本与异常样本，并根据该正常样本与异常样本训练出所述分类器。具体地，所述性能参数检测系统还可包括：

样本获取模块40，用于获取无马赛克效应类别的第一图像区域样本和有马赛克效应类别的第二图像区域样本。

设原始视频序列为Y＝[y₁,y₂,…y_m]，每帧图像尺寸为M×N，可将每帧图像划分为大小为b×b的不重叠的区域，如将所有图像生成的子块区域作为正常样本(标注为无马赛克效应类别)。

异常样本则需要从实际系统中具有马赛克效应的图像中去抓取出来，可通过人工进行标注。如图2所示，若标注的区域A具有方块效应，则可以在区域A中随机地截取不重叠的大小为b×b的异常样本(如图2中的C子区域)。

可以调整信号强度，使输出的序列具有较多的马赛克方块，再标出这些区域，随机截取即可得到样本。正常样本与异常样本都应该用相同内容的视频构建，区别是正常样本的视频图像清晰，无马赛克效应，而异常样本对应的视频图像具有马赛克效应。

训练模块50，用于根据所述第一图像区域样本和第二图像区域样本对深度卷积网络进行训练，获取所述分类器。

可利用收集的正常样本和异常样本(即子块图像)及其标注(是否具有马赛克效应)，对深度卷积网络进行训练，得到分类器，如图3所示。本发明采用的深度卷积网络可包括五个卷积层(Convolutional Layer)，每个卷积层的输出都经过ReLU(Rectified Linear Units，修正线性单元)激活函数进行非线性变换，再经过池化层(Pooling Layer)进行池化，再接两个全连接层(Fully-Connected Layer)，最后通过Softmax函数输出分类概率(输入样本b属于任意每个类别的概率p(c₁/b)和p(c₂/b)，c₁其中表示有马赛克效应类别，c₂表示无马赛克效应类别)。

确定模块30，用于根据所述第一概率和第二概率计算所述图像的马赛克效应强度，根据所述马赛克效应强度确定所述显示设备的性能参数；其中，所述马赛克效应强度用于表征所述图像中出现马赛克效应的图像区域在所述图像中的比例。

最后，当前图像I的马赛克效应强度为：

式中，M_I为所述马赛克效应强度，b_i为所述图像中的第i个图像区域，p(c₂/b_i)为所述第二概率，p(c₁/b_i)为所述第一概率，k为所述图像中图像区域的数量，i为0到k之间的整数，若p(c₁/b_i)＞p(c₂/b_i)为真，则{p(c₁/b_i)＞p(c₂/b_i)}的值取1，若p(c₁/b_i)＞p(c₂/b_i)为假，则{p(c₁/b_i)＞p(c₂/b_i)}的值取0。可以根据所述马赛克效应强度确定所述显示设备的性能参数(例如，电视机主板的灵敏度)。

本发明的显示设备的性能参数检测系统具有以下优点：

(1)无需人工调节信号强度、人工观察是否出现马赛克效应，人工成本低，方法简便，效率高。

(2)无需额外的硬件设备，不依赖任何解芯片，硬件成本低。

(3)无需采用参考视频序列，操作方便，适用范围广。

本发明的显示设备的性能参数检测系统与本发明的显示设备的性能参数检测方法一一对应，在上述显示设备的性能参数检测方法的实施例阐述的技术特征及其有益效果均适用于显示设备的性能参数检测系统的实施例中，特此声明。

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发明的几种实施方式，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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。