本發(fā)明涉及信號檢測技術(shù)領(lǐng)域，特別是涉及一種顯示設(shè)備的性能參數(shù)檢測方法和系統(tǒng)。

背景技術(shù)：

顯示設(shè)備是一種可輸出圖像或感觸信息的設(shè)備。如果輸入信號為電子信號，這種顯示設(shè)備就會被稱為電子顯示設(shè)備，相對的還有機械顯示設(shè)備。常見的顯示設(shè)備包括電視機、電腦等。為了保證顯示設(shè)備正常工作，通常需要對顯示設(shè)備的一些性能參數(shù)進行檢測。以電視機為例，電視機的主板靈敏度是電視機的一個重要性能性能參數(shù)。

現(xiàn)有的檢測電視機主板靈敏度的方案是：通過專用設(shè)備發(fā)出視頻信號，輸出至電視機主板，然后再顯示在電視機屏幕上；測試人員手工調(diào)節(jié)專用設(shè)備輸出信號的強調(diào)，同時觀察屏幕上是否出現(xiàn)馬賽克效應(yīng)。在馬賽克出現(xiàn)的臨界環(huán)節(jié)，對應(yīng)的信號強度即為該電視機主板的靈敏度。還有一種方案是：通過解碼芯片直接獲取誤碼率(誤碼率的表現(xiàn)形式即為馬賽克效應(yīng))?，F(xiàn)有技術(shù)的缺點是：

(1)采用人工調(diào)節(jié)信號強度，人工觀察是否出現(xiàn)馬賽克效應(yīng)，人工成本較高。

(2)通過芯片計算誤碼率，硬件成本高。

綜上所述，現(xiàn)有技術(shù)對顯示設(shè)備的性能參數(shù)檢測成本高。

技術(shù)實現(xiàn)要素：

基于此，有必要針對現(xiàn)有技術(shù)成本高的問題，提供一種顯示設(shè)備的性能參數(shù)檢測方法和系統(tǒng)。

一種顯示設(shè)備的性能參數(shù)檢測方法，包括以下步驟：

獲取顯示設(shè)備的主板對信號強度為預(yù)設(shè)值的原始視頻信號進行解碼后輸出的圖像；其中，所述預(yù)設(shè)值是使所述原始視頻信號經(jīng)所述顯示設(shè)備解碼輸出后無馬賽克效應(yīng)與出現(xiàn)馬賽克效應(yīng)之間的臨界信號強度；

將每幀圖像劃分為若干個不重疊的圖像區(qū)域，將各個圖像區(qū)域分別輸入預(yù)先訓練的分類器，計算各個圖像區(qū)域?qū)儆谟旭R賽克類別的第一概率及其屬于無馬賽克類別的第二概率；其中，所述無馬賽克類別是所述圖像區(qū)域未出現(xiàn)馬賽克效應(yīng)的類別，反之，所述有馬賽克類別是所述圖像區(qū)域出現(xiàn)馬賽克效應(yīng)的類別；

根據(jù)所述第一概率和第二概率計算所述圖像的馬賽克效應(yīng)強度，根據(jù)所述馬賽克效應(yīng)強度確定所述顯示設(shè)備的性能參數(shù)；其中，所述馬賽克效應(yīng)強度用于表征所述圖像中出現(xiàn)馬賽克效應(yīng)的圖像區(qū)域在所述圖像中的比例。

一種顯示設(shè)備的性能參數(shù)檢測系統(tǒng)，包括：

圖像獲取模塊，用于獲取顯示設(shè)備的主板對信號強度為預(yù)設(shè)值的原始視頻信號進行解碼后輸出的圖像；其中，所述預(yù)設(shè)值是使所述原始視頻信號經(jīng)所述顯示設(shè)備解碼輸出后無馬賽克效應(yīng)與出現(xiàn)馬賽克效應(yīng)之間的臨界信號強度；

計算模塊，用于將每幀圖像劃分為若干個不重疊的圖像區(qū)域，將各個圖像區(qū)域分別輸入預(yù)先訓練的分類器，計算各個圖像區(qū)域?qū)儆谟旭R賽克類別的第一概率及其屬于無馬賽克類別的第二概率；其中，所述無馬賽克類別是所述圖像區(qū)域未出現(xiàn)馬賽克效應(yīng)的類別，反之，所述有馬賽克類別是所述圖像區(qū)域出現(xiàn)馬賽克效應(yīng)的類別；

確定模塊，用于根據(jù)所述第一概率和第二概率計算所述圖像的馬賽克效應(yīng)強度，根據(jù)所述馬賽克效應(yīng)強度確定所述顯示設(shè)備的性能參數(shù)；其中，所述馬賽克效應(yīng)強度用于表征所述圖像中出現(xiàn)馬賽克效應(yīng)的圖像區(qū)域在所述圖像中的比例。

上述顯示設(shè)備的性能參數(shù)檢測方法和系統(tǒng)，通過獲取臨界強度下的原始視頻信號對應(yīng)的輸出圖像，將每幀輸出圖像劃分為多個圖像區(qū)域，將各個圖像區(qū)域分別輸入預(yù)先訓練的分類器，計算各個圖像區(qū)域?qū)儆谟旭R賽克類別的第一概率及其屬于無馬賽克類別的第二概率，從而計算所述圖像的馬賽克效應(yīng)強度，并根據(jù)所述馬賽克效應(yīng)強度確定所述顯示設(shè)備的性能參數(shù)，能夠?qū)崿F(xiàn)所述性能參數(shù)的自動檢測，無需人工調(diào)節(jié)，也無需額外的硬件設(shè)備，成本低、效率高。

附圖說明

圖1為一個實施例的顯示設(shè)備的性能參數(shù)檢測方法流程圖；

圖2為一個實施例的異常樣本構(gòu)建示意圖；

圖3為一個實施例的深度卷積網(wǎng)絡(luò)結(jié)構(gòu)示意圖；

圖4為一個實施例的顯示設(shè)備的性能參數(shù)檢測系統(tǒng)的結(jié)構(gòu)示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明的顯示設(shè)備的性能參數(shù)檢測方法和系統(tǒng)的實施例進行描述。

圖1為本發(fā)明的顯示設(shè)備的性能參數(shù)檢測方法流程圖。如圖1所示，所述顯示設(shè)備的性能參數(shù)檢測方法可包括以下步驟：

S1，獲取顯示設(shè)備的主板對信號強度為預(yù)設(shè)值的原始視頻信號進行解碼后輸出的圖像；其中，所述預(yù)設(shè)值是使所述原始視頻信號經(jīng)所述顯示設(shè)備解碼輸出后無馬賽克效應(yīng)與出現(xiàn)馬賽克效應(yīng)之間的臨界信號強度；

在本步驟中，所述原始視頻信號可以是質(zhì)量較高的視頻信號，其中，所述質(zhì)量較高可以指所述原始視頻信號的信號強度為經(jīng)所述顯示設(shè)備解碼輸出后無馬賽克效應(yīng)對應(yīng)的信號強度?？梢酝ㄟ^控制設(shè)備調(diào)節(jié)視頻信號發(fā)生設(shè)備，向所述顯示設(shè)備輸出質(zhì)量較高的視頻信號。一般來說，信號強度超過一定范圍，視頻信號的質(zhì)量較高。在此基礎(chǔ)上，可以以預(yù)設(shè)的步長逐漸調(diào)整所述原始視頻信號的信號強度，直到所述顯示設(shè)備的主板對所述原始視頻信號進行解碼后輸出的圖像恰好出現(xiàn)馬賽克效應(yīng)。此時的信號強度即為臨界信號強度，對應(yīng)的輸出的圖像即為所需圖像。其中，所述預(yù)設(shè)的步長可以根據(jù)實際需要設(shè)定，步長越小，獲取臨界信號強度的精確度越高。

S2，將每幀圖像劃分為若干個不重疊的圖像區(qū)域，將各個圖像區(qū)域分別輸入預(yù)先訓練的分類器，計算各個圖像區(qū)域?qū)儆谟旭R賽克類別的第一概率及其屬于無馬賽克類別的第二概率；其中，所述無馬賽克類別是所述圖像區(qū)域未出現(xiàn)馬賽克效應(yīng)的類別，反之，所述有馬賽克類別是所述圖像區(qū)域出現(xiàn)馬賽克效應(yīng)的類別；

設(shè)步驟中獲取的圖像為I，尺寸為M×N。由于馬賽克效應(yīng)通常出現(xiàn)在局部區(qū)域，故可將每幀圖像劃分為大小為b×b的不重疊的區(qū)域，如I＝[b₁,b₂,...,b_k]，針對任意一個區(qū)域b_i，可將該圖像區(qū)域b_i輸入預(yù)先訓練的分類器。該分類器的作用是獲取圖像區(qū)域b_i屬于有馬賽克類別的第一概率p(c₁/b_i)及其屬于無馬賽克類別的第二概率p(c₂/b_i)。若p(c₁/b_i)＞p(c₂/b_i)，則表示該區(qū)域具有馬賽克效應(yīng)，屬于有馬賽克效應(yīng)類別；反之，則表示該區(qū)域不具有馬賽克效應(yīng)，屬于無馬賽克效應(yīng)類別。

可構(gòu)建的正常樣本與異常樣本，并根據(jù)該正常樣本與異常樣本訓練出所述分類器。具體地，訓練分類器的方式包括以下步驟：

步驟1、樣本集構(gòu)建

設(shè)原始視頻序列為Y＝[y₁,y₂,…y_m]，每幀圖像尺寸為M×N，可將每幀圖像劃分為大小為b×b的不重疊的區(qū)域，如將所有圖像生成的子塊區(qū)域作為正常樣本(標注為無馬賽克效應(yīng)類別)。

異常樣本則需要從實際系統(tǒng)中具有馬賽克效應(yīng)的圖像中去抓取出來，可通過人工進行標注。如圖2所示，若標注的區(qū)域A具有方塊效應(yīng)，則可以在區(qū)域A中隨機地截取不重疊的大小為b×b的異常樣本(如圖2中的C子區(qū)域)。

可以調(diào)整信號強度，使輸出的序列具有較多的馬賽克方塊，再標出這些區(qū)域，隨機截取即可得到樣本。正常樣本與異常樣本都應(yīng)該用相同內(nèi)容的視頻構(gòu)建，區(qū)別是正常樣本的視頻圖像清晰，無馬賽克效應(yīng)，而異常樣本對應(yīng)的視頻圖像具有馬賽克效應(yīng)。

步驟2、深度卷積網(wǎng)絡(luò)參數(shù)學習

可利用收集的正常樣本和異常樣本(即子塊圖像)及其標注(是否具有馬賽克效應(yīng))，對深度卷積網(wǎng)絡(luò)進行訓練，得到分類器，如圖3所示。本發(fā)明采用的深度卷積網(wǎng)絡(luò)可包括五個卷積層(Convolutional Layer)，每個卷積層的輸出都經(jīng)過ReLU(Rectified Linear Units，修正線性單元)激活函數(shù)進行非線性變換，再經(jīng)過池化層(Pooling Layer)進行池化，再接兩個全連接層(Fully-Connected Layer)，最后通過Softmax函數(shù)輸出分類概率(輸入樣本b屬于任意每個類別的概率p(c₁/b)和p(c₂/b)，c₁其中表示有馬賽克效應(yīng)類別，c₂表示無馬賽克效應(yīng)類別)。

S3，根據(jù)所述第一概率和第二概率計算所述圖像的馬賽克效應(yīng)強度，根據(jù)所述馬賽克效應(yīng)強度確定所述顯示設(shè)備的性能參數(shù)；其中，所述馬賽克效應(yīng)強度用于表征所述圖像中出現(xiàn)馬賽克效應(yīng)的圖像區(qū)域在所述圖像中的比例。

最后，當前圖像I的馬賽克效應(yīng)強度為：

式中，M_I為所述馬賽克效應(yīng)強度，b_i為所述圖像中的第i個圖像區(qū)域，p(c₂/b_i)為所述第二概率，p(c₁/b_i)為所述第一概率，k為所述圖像中圖像區(qū)域的數(shù)量，i為0到k之間的整數(shù)，若p(c₁/b_i)＞p(c₂/b_i)為真，則{p(c₁/b_i)＞p(c₂/b_i)}的值取1，若p(c₁/b_i)＞p(c₂/b_i)為假，則{p(c₁/b_i)＞p(c₂/b_i)}的值取0?？梢愿鶕?jù)所述馬賽克效應(yīng)強度確定所述顯示設(shè)備的性能參數(shù)(例如，電視機主板的靈敏度)。

本發(fā)明的顯示設(shè)備的性能參數(shù)檢測方法具有以下優(yōu)點：

(1)無需人工調(diào)節(jié)信號強度、人工觀察是否出現(xiàn)馬賽克效應(yīng)，人工成本低，方法簡便，效率高。

(2)無需額外的硬件設(shè)備，不依賴任何解芯片，硬件成本低。

(3)無需采用參考視頻序列，操作方便，適用范圍廣。

圖4為本發(fā)明的顯示設(shè)備的性能參數(shù)檢測系統(tǒng)的結(jié)構(gòu)示意圖。如圖2所示，所述顯示設(shè)備的性能參數(shù)檢測系統(tǒng)可包括：

圖像獲取模塊10，用于獲取顯示設(shè)備的主板對信號強度為預(yù)設(shè)值的原始視頻信號進行解碼后輸出的圖像；其中，所述預(yù)設(shè)值是使所述原始視頻信號經(jīng)所述顯示設(shè)備解碼輸出后無馬賽克效應(yīng)與出現(xiàn)馬賽克效應(yīng)之間的臨界信號強度；

所述原始視頻信號可以是質(zhì)量較高的視頻信號，其中，所述質(zhì)量較高可以指所述原始視頻信號的信號強度為經(jīng)所述顯示設(shè)備解碼輸出后無馬賽克效應(yīng)對應(yīng)的信號強度?？梢酝ㄟ^第一獲取單元獲取第一信號強度的原始視頻信號(即質(zhì)量較高的視頻信號)，所述第一信號強度是使所述原始視頻信號經(jīng)所述顯示設(shè)備的主板解碼后輸出無馬賽克效應(yīng)的圖像對應(yīng)的信號強度。一般來說，信號強度超過一定范圍，視頻信號的質(zhì)量較高。在此基礎(chǔ)上，可以通過調(diào)整單元以預(yù)設(shè)的步長逐漸調(diào)整所述原始視頻信號的信號強度，直到所述顯示設(shè)備的主板對所述原始視頻信號進行解碼后輸出的圖像恰好出現(xiàn)馬賽克效應(yīng)。此時的信號強度即為臨界信號強度，對應(yīng)的輸出的圖像即為所需圖像。其中，所述預(yù)設(shè)的步長可以根據(jù)實際需要設(shè)定，步長越小，獲取臨界信號強度的精確度越高。最后，可通過第二獲取單元獲取當前輸出的圖像。

計算模塊20，用于將每幀圖像劃分為若干個不重疊的圖像區(qū)域，將各個圖像區(qū)域分別輸入預(yù)先訓練的分類器，計算各個圖像區(qū)域?qū)儆谟旭R賽克類別的第一概率及其屬于無馬賽克類別的第二概率；其中，所述無馬賽克類別是所述圖像區(qū)域未出現(xiàn)馬賽克效應(yīng)的類別，反之，所述有馬賽克類別是所述圖像區(qū)域出現(xiàn)馬賽克效應(yīng)的類別；

設(shè)獲取的圖像為I，尺寸為M×N。由于馬賽克效應(yīng)通常出現(xiàn)在局部區(qū)域，故可將每幀圖像劃分為大小為b×b的不重疊的區(qū)域，如I＝[b₁,b₂,...,b_k]，針對任意一個區(qū)域b_i，可將該圖像區(qū)域b_i輸入預(yù)先訓練的分類器。該分類器的作用是獲取圖像區(qū)域b_i屬于有馬賽克類別的第一概率p(c₁/b_i)及其屬于無馬賽克類別的第二概率p(c₂/b_i)。若p(c₁/b_i)＞p(c₂/b_i)，則表示該區(qū)域具有馬賽克效應(yīng)，屬于有馬賽克效應(yīng)類別；反之，則表示該區(qū)域不具有馬賽克效應(yīng)，屬于無馬賽克效應(yīng)類別。

可構(gòu)建的正常樣本與異常樣本，并根據(jù)該正常樣本與異常樣本訓練出所述分類器。具體地，所述性能參數(shù)檢測系統(tǒng)還可包括：

樣本獲取模塊40，用于獲取無馬賽克效應(yīng)類別的第一圖像區(qū)域樣本和有馬賽克效應(yīng)類別的第二圖像區(qū)域樣本。

設(shè)原始視頻序列為Y＝[y₁,y₂,…y_m]，每幀圖像尺寸為M×N，可將每幀圖像劃分為大小為b×b的不重疊的區(qū)域，如將所有圖像生成的子塊區(qū)域作為正常樣本(標注為無馬賽克效應(yīng)類別)。

異常樣本則需要從實際系統(tǒng)中具有馬賽克效應(yīng)的圖像中去抓取出來，可通過人工進行標注。如圖2所示，若標注的區(qū)域A具有方塊效應(yīng)，則可以在區(qū)域A中隨機地截取不重疊的大小為b×b的異常樣本(如圖2中的C子區(qū)域)。

可以調(diào)整信號強度，使輸出的序列具有較多的馬賽克方塊，再標出這些區(qū)域，隨機截取即可得到樣本。正常樣本與異常樣本都應(yīng)該用相同內(nèi)容的視頻構(gòu)建，區(qū)別是正常樣本的視頻圖像清晰，無馬賽克效應(yīng)，而異常樣本對應(yīng)的視頻圖像具有馬賽克效應(yīng)。

訓練模塊50，用于根據(jù)所述第一圖像區(qū)域樣本和第二圖像區(qū)域樣本對深度卷積網(wǎng)絡(luò)進行訓練，獲取所述分類器。

可利用收集的正常樣本和異常樣本(即子塊圖像)及其標注(是否具有馬賽克效應(yīng))，對深度卷積網(wǎng)絡(luò)進行訓練，得到分類器，如圖3所示。本發(fā)明采用的深度卷積網(wǎng)絡(luò)可包括五個卷積層(Convolutional Layer)，每個卷積層的輸出都經(jīng)過ReLU(Rectified Linear Units，修正線性單元)激活函數(shù)進行非線性變換，再經(jīng)過池化層(Pooling Layer)進行池化，再接兩個全連接層(Fully-Connected Layer)，最后通過Softmax函數(shù)輸出分類概率(輸入樣本b屬于任意每個類別的概率p(c₁/b)和p(c₂/b)，c₁其中表示有馬賽克效應(yīng)類別，c₂表示無馬賽克效應(yīng)類別)。

確定模塊30，用于根據(jù)所述第一概率和第二概率計算所述圖像的馬賽克效應(yīng)強度，根據(jù)所述馬賽克效應(yīng)強度確定所述顯示設(shè)備的性能參數(shù)；其中，所述馬賽克效應(yīng)強度用于表征所述圖像中出現(xiàn)馬賽克效應(yīng)的圖像區(qū)域在所述圖像中的比例。

最后，當前圖像I的馬賽克效應(yīng)強度為：

式中，M_I為所述馬賽克效應(yīng)強度，b_i為所述圖像中的第i個圖像區(qū)域，p(c₂/b_i)為所述第二概率，p(c₁/b_i)為所述第一概率，k為所述圖像中圖像區(qū)域的數(shù)量，i為0到k之間的整數(shù)，若p(c₁/b_i)＞p(c₂/b_i)為真，則{p(c₁/b_i)＞p(c₂/b_i)}的值取1，若p(c₁/b_i)＞p(c₂/b_i)為假，則{p(c₁/b_i)＞p(c₂/b_i)}的值取0?？梢愿鶕?jù)所述馬賽克效應(yīng)強度確定所述顯示設(shè)備的性能參數(shù)(例如，電視機主板的靈敏度)。

本發(fā)明的顯示設(shè)備的性能參數(shù)檢測系統(tǒng)具有以下優(yōu)點：

(1)無需人工調(diào)節(jié)信號強度、人工觀察是否出現(xiàn)馬賽克效應(yīng)，人工成本低，方法簡便，效率高。

(2)無需額外的硬件設(shè)備，不依賴任何解芯片，硬件成本低。

(3)無需采用參考視頻序列，操作方便，適用范圍廣。

本發(fā)明的顯示設(shè)備的性能參數(shù)檢測系統(tǒng)與本發(fā)明的顯示設(shè)備的性能參數(shù)檢測方法一一對應(yīng)，在上述顯示設(shè)備的性能參數(shù)檢測方法的實施例闡述的技術(shù)特征及其有益效果均適用于顯示設(shè)備的性能參數(shù)檢測系統(tǒng)的實施例中，特此聲明。

以上所述實施例的各技術(shù)特征可以進行任意的組合，為使描述簡潔，未對上述實施例中的各個技術(shù)特征所有可能的組合都進行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當認為是本說明書記載的范圍。

以上所述實施例僅表達了本發(fā)明的幾種實施方式，其描述較為具體和詳細，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進，這些都屬于本發(fā)明的保護范圍。因此，本發(fā)明專利的保護范圍應(yīng)以所附權(quán)利要求為準。