一种画质效果调试方法及系统与流程

本发明涉及调试领域，具体涉及一种画质效果调试方法及系统。

背景技术：

我们都知道，获取大千世界的人物，景物等信息都是由摄像头模组来进行获取并显示在屏幕上，摄像头模组的生产加工过程实际上是各个功能物料堆积组合的过程，由镜头，音圈马达，红外滤光片，感光芯片，pcb电路板等组成，由于模组摄像头的这个堆叠过程中需要用到不同功能的单体物料，每个单体物料之间又不能保证有良好的一致性，所以在产品卖到消费者手中会经过平台的一个调试画质效果的过程，由于模组物料批次性的差异，设备的差异，以往的传统调试都需要经过一个漫长的过程，由经验丰富的工程师先进行整体的拍图，调整参数，确认效果，不符合再重新调整参数，拍图，确认效果，最后特殊场景再由平台进行分析优化提供参数，过程繁琐也较为浪费时间。

技术实现要素：

本发明旨在公开一种画质效果调试方法，解决现有人工调试画质效率低，同时也浪费人力和物力的问题，本发明是以往的优质效果图片提取特征学习，快速定位属于哪类问题,利用深度学习技术对优质效果图片进行特征学习，并对学习到的特征进行分类，得到深度学习模型；利用深度学习模型对摄像头画质功能图片进行调试并输出结果。

本发明采取的技术方案为：

一种画质效果调试方法，所述方法包括如下步骤：

收集优质效果的图片数据；

根据收集的图片数据建立图片效果库；

对图片效果库进行图片效果特征提取；

根据提取的图片效果特征建立效果特征库；

根据效果特征库提取和输出效果参数；

使用效果参数对图片画质进行调试；

输出调试结果。

进一步地，所述收集优质效果的图片数据包括收集以往项目中优质效果图片或者是用户日常使用反馈回来的优质效果图片，并在每个图片下方或者目录中使用文字说明图片的具体效果参数的内容。

进一步地，所述根据收集的图片数据建立图片效果库包括以下步骤：

根据优质效果图片的文字说明进行分类；

根据不同类型的图片建立图片功能模型；

将建立好的图片功能模型进行存储。

进一步地，所述对图片效果库进行图片效果特征提取包括以下步骤：

对每个图片进行效果特征提取；

把提取的效果特征与图片的画质说明文字内容对比，当不完全部相符时，对该图片进行二次效果特征提取。

进一步地，所述根据提取的图片效果特征建立效果特征库包括以下步骤：

对效果特征进行分类处理；

根据分类情况建立效果特征模型；

把效果特征模型进行存储。

本发明还提供一种画质调试系统，所述系统包括：

所述系统包括：

图片数据收集模块，用于收集优质效果的图片数据；

图片效果库建立模块，用于根据收集的图片数据建立图片效果库；

效果特征提取模块，用于对图片效果库进行图片效果特征提取；

效果特征库建立模块，用于根据提取的图片效果特征建立效果特征库；

参数提取和输出模块，用于根据效果特征库提取和输出效果参数；

画质调试模块，用于使用效果参数对图片画质进行调试；

结果输出模块，用于输出调试结果。

进一步地，所述收集优质效果的图片数据包括收集以往项目中优质效果图片或者是用户日常使用反馈回来的优质效果图片，并在每个图片下方或者目录中使用文字说明图片的具体效果参数的内容。

进一步地，所述图片效果库建立模块包括：

图片数据分类单元，用于根据优质图片的文字说明进行分类；

图片模型库建立单元，用于根据不同类型的图片进行建立图片功能模型；

图片功能模型存储单元，用于将建立好的图片功能模型进行存储。

进一步地，所述效果特征提取模块包括：

效果特征提取单元，用于对每个图片进行效果特征提取；

效果特征对比及提取单元，用于把提取的效果特征与图片的画质说明文字内容对比，当不完全部相符时，对该图片进行二次效果特征提取。

进一步地，所述

效果特征分类单元，用于对效果特征进行分类处理；

特征模型建立单元，用于根据分类情况建立效果特征模型；

特征模型存储单元，用于把效果特征模型进行存储。

采用本发明技术方案具有以下优势：

本发明通过利用深度学习的方法，从以往的优质效果图片提取特征学习，快速定位属于哪类问题，利用深度学习技术对优质效果图片进行特征学习，并对学习到的特征进行分类，得到深度学习模型；通过前期输入不同类型的优质效果图片并自动学习大量数据不同类型的特征，得到学习模型，后续只需提供图片输入即可采用参数对图片进行调试，省去了设备和人力，大大提高了效率。

附图说明

图1是本发明一种画质效果调试方法流程图。

图2是本发明一种画质调试系统结构框图。

图3是本发明一种画质调试系统的图片效果库建立模块框图。

图4是本发明一种画质调试系统的效果特征提取模块框图。

图5是本发明一种画质调试系统的效果特征库建立模块框图。

如下具体实施方式将结合上述附图进一步说明本发明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

本发明的说明书和权利要求书及上述附图中的术语“包括”和“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，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。

需要说明的是，下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。当然，它们仅仅为示例，并且目的不在于限制本发明。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。

深度学习通过学习一种深层的非线性网络结构，实现复杂函数逼近和输入数据表征，展现出强大的数据集本质特征的学习能力。卷积神经网络，作为一种典型的深度学习方法，是为二维图像处理而特别设计的一个多层感知器。卷积神经网络不需要人为参与特征的选取过程，可以自动地学习大量数据集中的目标特征。深度学习的调试方法通过前期输入不同类型的优质效果图片并自动学习大量数据不同类型的特征，得到学习模型，后续只需提供图片输入即可输出画质结果是否通过，省去了设备和人力，大大提高了效率。通过利用深度学习的方法，从以往的优质效果图片提取特征学习，快速定位属于哪类问题。利用深度学习技术对优质效果图片进行特征学习，并对学习到的特征进行分类，得到深度学习模型；利用深度学习模型对摄像头画质功能图片进行判断并输出结果。随着终端客户对图像效果的要求越来越高，利用当前比较火热的深度学习识别技术，深度学习近年来在计算机视觉领域取得了重大的发展，通过构建一种类似于人脑结构的深层神经网络，对输入的图像等数据进行深刻分析，通过深层次的神经网络以及大量的训练数据，提升了特征的提取结果，同时也提高了目标分类的准确性。

神经网络由好多层组成，随着训练规模的提高，层数也会越来越多，精准度也会越来越高。第一层神经元会把处理过的数据传递给第二层神经元，第二层神经元去完成自己的处理任务，这样处理一直持续到最后一层，最终输出结果。在输入层中会有一个感知器的东西在工作，感知器可以接受二进制的输入，可以根据需要选择更多或者更少输入。最后产生一个二进制输出。同时在输出的过程会引入一个权重的简单规则来计算输出。如本专利中要进行画质调试，通过待调试图片的输入，将图片进行分割成多个小块，由神经网络去分析，比如提取当中的形状，颜色深浅，尺寸的大小以及在画面中的位置等进行输入，再根据之前训练的系统通过对应给出效果参数进行调试，再输出调试结果。

请参阅图1，是本发明实施例提供的一种画质效果调试方法流程图，所述方法包括如下步骤：

步骤s10：收集优质效果的图片数据。

在本发明的实施方式中，所述收集优质效果的图片数据包括收集以往项目中优质效果图片或者是用户日常使用反馈回来的优质效果图片，并在每个图片下方或者目录中使用文字说明图片的具体效果参数的内容。

生产加工过程实际上是有多个功能物料堆积组合的过程，每个单体物料之间又不能保证有良好的一致性，需要通过不断的调整参数，确认效果。通过收集以往项目中优质效果图片或者是用户日常使用反馈回来的优质效果图片，从而可以实时的对数据丰富更新，使得调试的结果更加的准确。此处说的“以往”代表的是在建立这个调试模型之前的时间段，也就是建立调试模型之前遇到的所有的优质效果的图片。

步骤s20：根据收集的图片数据建立图片效果库。

在本发明的实施方式中，所述根据收集的图片数据建立图片效果库包括以下步骤：

根据优质效果图片的文字说明进行分类；

根据不同类型的图片建立图片功能模型；

把建立好的图片功能模型进行存储；

其中，分类是根据文字的说明内容进行分成大类，大类里面有若干个小类，小类与小类之间形成关联类。图片功能模型在后期另外收集到优质效果图像后，对图片功能模型进行自动添加数据，提高准确性。

图片效果库主要是根据图片的功能进行分类建立的库，具体建立库的模型为现有的深度学习模型。通过前期输入不同类型的优质效果图片并自动学习大量数据不同类型的特征，得到学习模型，后续只需提供图片输入即可输出画质结果是否通过，省去了设备和人力，大大提高了效率。

步骤s30：对图片效果库进行图片效果特征提取。

在本发明的实施方式中，所述对图片效果库进行图片效果特征提取包括有：

对每个图片进行效果特征提取，

把提取的效果特征与图片的画质说明文字内容对比，当不完全部相符时，对该图片进行二次效果特征提取。

根据图片的不同可以直接提取相应的特征，相应的特征代表了该图片的优质效果。特征过程通过预处理，特征点选取，特征点提取等过程。

步骤s40：根据提取的图片效果特征建立效果特征库。

所述根据提取的图片效果特征建立效果特征库包括有：

对效果特征进行分类处理；

根据分类情况建立效果特征模型；

把效果特征模型进行存储；

另外，在后期有新的效果特征时，需要对效果特征模型进行特征自动添加，提高特征数据功能。对效果特征进行分类主要是对画质效果程度进行分类，比如是画质有一级效果、二级效果等进行分类。建立效果特征模型为建立深度学习的特征模型，为后期的深度学习对比提供基础。

步骤s50：根据效果特征库提取和输出效果参数。

步骤s60：使用效果参数对图片画质进行调试。

所述使用效果库对图片画质进行调试的过程为：

重复三次对需要调试的图片进行效果特征提取，然后把提取的效果特征放入到效果特征模型进行对比，三次对比结果中，但有两个以上是相同时，输出调试结果，否则重现调试。

通过三次调试，可以大大的提高调试结构的准确率，避免出现调试错误的问题，因此具有非常高的可靠性。使用的时神经网络中设置的感知器进行感知，提高数据处理的准确性。

步骤s70：输出调试结果，通过调试后，把结果数据输出给用户，让用户根据调试结果数据进行后续的处理。

请参阅图2，本发明的实施方式中提供一种画质调试系统，所述系统包括图片数据收集模块1、图片效果库建立模块2、效果特征提取模块3、效果特征库建立模块4、参数提取和输出模块5、画质调试模块6及结果输出模块7。

其中，图片数据收集模块1，用于收集优质效果的图片数据。

在本发明的实施方式中，所述收集优质效果的图片数据包括收集以往项目中优质效果图片或者是用户日常使用反馈回来的优质效果图片，并在每个图片下方或者目录中使用文字说明图片的具体效果参数的内容。

生产加工过程实际上是有多个功能物料堆积组合的过程，每个单体物料之间又不能保证有良好的一致性，需要通过不断的调整参数，确认效果。通过收集以往项目中优质效果图片或者是用户日常使用反馈回来的优质效果图片，从而可以实时的对数据丰富更新，使得调试的结果更加的准确。此处说的“以往”代表的是在建立这个调试模型之前的时间段，也就是建立调试模型之前遇到的所有的优质效果的图片。

请一起参阅图3，图片效果库建立模块2，用于根据收集的图片数据建立图片效果库。

在本发明的实施方式中，所述图片效果库建立模块2包括图片数据分类单元21、图片模型库建立单元22及模型存储单元23，其中，

图片数据分类单元21，用于根据优质效果图片的文字说明进行分类；

图片模型库建立单元22，用于根据不同类型的图片建立图片功能模型；

图片功能模型存储单元23，用于把建立好的图片功能模型进行存储；

其中，分类是根据文字的说明内容进行分成大类，大类里面有若干个小类，小类与小类之间形成关联类。图片功能模型在后期另外收集到优质效果图像后，对图片功能模型进行自动添加数据，提高准确性。

图片效果库主要是根据图片的功能进行分类建立的库，具体建立库的模型为现有的深度学习模型。通过前期输入不同类型的优质效果图片并自动学习大量数据不同类型的特征，得到学习模型，后续只需提供图片输入即可输出画质结果是否通过，省去了设备和人力，大大提高了效率。

请一起参阅图4，效果特征提取模块3，用于对图片效果库进行图片效果特征提取。

在本发明的实施方式中，所述效果特征提取模块包括有：效果特征提取单元31及效果特征对比及提取单元32：

其中，效果特征提取单元31，用于对每个图片进行效果特征提取，

效果特征对比及提取单元32，用于把提取的效果特征与图片的画质说明文字内容对比，当不完全部相符时，对该图片进行二次效果特征提取。

另外，根据图片的不同可以直接提取相应的特征，相应的特征代表了该图片的优质效果。特征过程通过预处理，特征点选取，特征点提取等过程。

请一起参阅图5，效果特征库建立模块4，用于根据提取的图片效果特征建立效果特征库。

所述效果特征库建立模块4包括有效果特征分类单元41、特征模型建立单元42及特征模型存储单元43，其中，

效果特征分类单元41，用于对效果特征进行分类处理；

特征模型建立单元42，用于根据分类情况建立效果特征模型；

特征模型存储单元43，用于把效果特征模型进行存储；

另外，在后期有新的效果特征时，需要对效果特征模型进行特征自动添加，提高特征数据功能。对效果特征进行分类主要是对画质效果程度进行分类，比如是画质有一级效果、二级效果等进行分类。建立效果特征模型为建立深度学习的特征模型，为后期的深度学习对比提供基础。

参数提取和输出模块5，用于根据效果特征库提取和输出效果参数。

画质调试模块6，用于使用效果参数对图片画质进行调试。

所述使用效果库对图片画质进行调试的过程为：

重复三次对需要调试的图片进行效果特征提取，然后把提取的效果特征放入到效果特征模型进行对比，三次对比结果中，但有两个以上是相同时，输出调试结果，否则重现调试。

通过三次调试，可以大大的提高调试结构的准确率，避免出现调试错误的问题，因此具有非常高的可靠性。使用的时神经网络中设置的感知器进行感知，提高数据处理的准确性。

结果输出模块7，用于输出调试结果，通过调试后，把结果数据输出给用户，让用户根据调试结果数据进行后续的处理。