CN113706439A - 一种图像检测方法、装置、存储介质及计算机设备 - Google Patents

一种图像检测方法、装置、存储介质及计算机设备 Download PDF

Info

Publication number
CN113706439A
CN113706439A CN202110260048.6A CN202110260048A CN113706439A CN 113706439 A CN113706439 A CN 113706439A CN 202110260048 A CN202110260048 A CN 202110260048A CN 113706439 A CN113706439 A CN 113706439A
Authority
CN
China
Prior art keywords
image
difference
target
pixel
initial
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
CN202110260048.6A
Other languages
English (en)
Inventor
陈裕发
龙祖苑
谢宗兴
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.)
Tencent Technology Shenzhen Co Ltd
Original Assignee
Tencent Technology Shenzhen 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 Tencent Technology Shenzhen Co Ltd filed Critical Tencent Technology Shenzhen Co Ltd
Priority to CN202110260048.6A priority Critical patent/CN113706439A/zh
Publication of CN113706439A publication Critical patent/CN113706439A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开一种图像检测方法、装置、存储介质及计算机设备；本申请与人工智能的计算机视觉领域相关，本申请可以获取初始图像以及图像变化参数；基于图像变化参数对初始图像进行处理，得到目标图像；对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像；基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征；根据区域差异特征和图像变化参数，确定目标图像的检测结果；本申请可以有效提升图像检测效率。

Description

一种图像检测方法、装置、存储介质及计算机设备
技术领域
本申请涉及图像领域，具体涉及一种图像检测方法、装置、存储介质及计算机设备。
背景技术
随着技术的发展，在特定场景下可以对图像进行局部小幅度处理，比如拍照类软件中常见的瘦脸处理、大眼处理等，由于是针对局部的小幅度处理，因此处理后图像相比处理前图像的变化比较细微，若要对处理后图像的处理效果进行检测，多数需要由人工进行。
在对现有技术的研究和时间过程中，本申请的发明人发现，现有的图像检测方式效率较低。
发明内容
本申请实施例提供一种图像检测方法、装置、存储介质及计算机设备，可以有效提升图像检测效率。
本申请实施例提供一种图像检测方法，包括：
获取初始图像以及图像变化参数；
基于所述图像变化参数对所述初始图像进行处理，得到目标图像；
对所述初始图像和所述目标图像中对应位置进行像素差异分析，以获取差异图像；
基于所述差异图像中的多个差异像素点，在所述差异图像中确定目标差异区域以及所述目标差异区域的区域差异特征；
根据所述区域差异特征和所述图像变化参数，确定所述目标图像的检测结果。
相应地，本申请提供一种图像检测装置，包括：
获取模块，用于获取初始图像以及图像变化参数；
处理模块，用于基于所述图像变化参数对所述初始图像进行处理，得到目标图像；
差异分析模块，用于对所述初始图像和所述目标图像中对应位置进行像素差异分析，以获取差异图像；
特征确定模块，用于基于所述差异图像中的多个差异像素点，在所述差异图像中确定目标差异区域以及所述目标差异区域的区域差异特征；
结果确定模块，用于根据所述区域差异特征和所述图像变化参数，确定所述目标图像的检测结果。
在一些实施例中，图像检测装置还包括：
计算模块，用于对所述目标差异区域的所有目标差异像素点进行融合计算，得到像素差异特征；
此时，结果确定模块具体用于：
基于所述区域差异特征、所述像素差异特征和所述图像变化参数，确定所述目标图像的检测结果。
在一些实施例中，结果确定模块包括获取子模块、量化子模块和确定子模块，其中，
获取子模块，用于获取图像变化度量模型；
量化子模块，用于通过所述图像变化度量模型对所述区域差异特征和所述像素差异特征进行差异量化，得到所述目标图像的实际变化数据；
确定子模块，用于基于所述实际变化数据和所述图像变化参数，确定所述目标图像的检测结果。
在一些实施例中，确定子模块具体用于：
当所述实际变化数据与所述图像变化参数的差值小于预设阈值时，确定所述目标图像的检测结果为图像正常；
当所述实际变化数据与所述图像变化参数的差值大于预设阈值时，确定所述目标图像的检测结果为图像异常。
在一些实施例中，所述图像变化度量模型包括区域度量子模型和像素度量子模型，所述实际变化数据包括区域实际变化数据和像素实际变化数据，量化子模块具体用于：
通过所述区域度量子模型对所述区域差异特征进行差异量化，得到所述目标图像的区域实际变化数据；
通过所述像素度量子模型对所述像素差异特征进行差异量化，得到所述目标图像的像素实际变化数据。
在一些实施例中，确定子模块具体用于：
当所述区域实际变化数据与图像变化参数的差值小于预设第一阈值、且所述像素实际变化数据与图像变化参数的差值小于预设第二阈值时，确定所述目标图像的检测结果为图像正常。
在一些实施例中，确定子模块具体用于：
当所述区域实际变化数据与图像变化参数的差值大于预设第一阈值时，确定所述目标图像的检测结果为图像面积异常；
当所述像素实际变化数据与图像变化参数的差值大于预设第二阈值时，确定所述目标图像的检测结果为图像位置异常。
在一些实施例中，所述初始图像包括多个初始像素点，所述目标图像包括多个目标像素点，差异分析模块包括确定子模块、计算子模块和整合子模块，其中，
确定子模块，用于基于每个初始像素点在初始图像中的位置信息、以及每个目标像素点在目标图像中的位置信息，确定位置信息相同的多组像素对，所述像素对包括初始像素点和目标像素点；
计算子模块，用于根据每个初始像素点的色彩信息和每个目标像素点的色彩信息，对每组像素对进行差异计算，得到每组像素对的色彩差异信息；
整合子模块，用于整合每组像素对的位置信息和色彩差异信息，以获取差异图像。
在一些实施例中，计算子模块具体用于：
确定像素对中初始像素点的色彩信息与目标像素点的色彩信息之间的差异信息；
当所述差异信息满足预设条件时，确定所述像素对的色彩差异信息为第一色彩差异信息；
当所述差异信息不满足预设条件时，确定所述像素对的色彩差异信息为第二色彩差异信息。
在一些实施例中，所述差异像素点包括位置信息和色彩差异信息，特征确定模块具体用于：
当差异像素点的色彩差异信息为目标差异信息时，确定所述差异像素点为目标差异像素点；
根据所述差异图像中所有目标差异像素点的位置信息，确定所述差异图像中的目标差异区域、以及所述目标差异区域的区域差异特征。
在一些实施例中，图像检测装置还包括：
样本获取模块，用于获取初始样本图像、以及所述初始样本图像对应的至少两个目标样本图像，所述目标样本图像携带相对所述初始样本图像的样本变化参数；
样本差异模块，用于将所述初始样本图像与所述至少两个目标样本图像进行差异处理，得到每个目标样本图像的样本差异特征；
模型生成模块，用于基于每个目标样本图像的样本差异特征和设定样本变化参数，生成图像变化度量模型。
相应的，本申请实施例还提供了一种存储介质，存储介质存储有计算机程序，计算机程序适于处理器进行加载，以执行本申请实施例提供的任一种图像检测方法。
相应的，本申请实施例还提供了一种计算机设备，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，处理器执行计算机程序时实现本申请实施例提供的任一种图像检测方法。
本申请可以获取初始图像以及图像变化参数；基于图像变化参数对初始图像进行处理，得到目标图像；对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像；基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征；根据区域差异特征和图像变化参数，确定目标图像的检测结果。
本申请可以对初始图像和目标图像进行差异计算，得到二者的差异图像，以及差异图像中的目标差异区域和目标差异区域的区域差异特征，进而基于区域差异特征和图像变化参数进行检测，得到目标图像的检测结果，相比于现有技术，本申请通过计算机设备自动实施上述过程，可以有效提升图像检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的图像检测***的场景示意图；
图2是本申请实施例提供的图像检测方法的流程示意图；
图3是本申请实施例提供的图像检测方法的另一流程示意图；
图4是本申请实施例提供的图像检测方法的图像示意图；
图5是本申请实施例提供的图像检测方法的图像区域示意图；
图6是本申请实施例提供的图像检测装置的结构示意图；
图7是本申请实施例提供的计算机设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，本申请所描述的实施例仅仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
计算机视觉技术(Computer Vision,CV)计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能***。计算机视觉技术通常包括图像处理、图像识别、图像语义理解、图像检索、OCR、视频处理、视频语义理解、视频内容/行为识别、三维物体重建、3D技术、虚拟现实、增强现实、同步定位与地图构建等技术，还包括常见的人脸识别、指纹识别等生物特征识别技术。
本申请的图像检测方法与人工智能领域的技术相关，比如，可以通过人工智能模型对初始图像进行处理，得到目标图像，又比如，图像变化处理度量模型可以包括基于深度学习技术进行训练得到，等等。
本申请的图像检测方法可以集成在图像检测***中，该图像检测***可以集成在一个或多个计算机设备中，该计算机设备可以包括终端或服务器等，其中，服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能家居、可穿戴电子设备、车载计算机等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。
参见图1，图像检测***可以包括图像检测装置，其中，图像检测装置可以获取初始图像以及图像变化参数；基于图像变化参数对初始图像进行处理，得到目标图像；对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像；基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征；根据区域差异特征和图像变化参数，确定目标图像的检测结果。
需要说明的是，图1所示的图像检测***的场景示意图仅仅是一个示例，本申请实施例描述的图像检测***以及场景是为了更加清楚的说明本申请实施例的技术方案，并不构成对于本申请实施例提供的技术方案的限定，本领域普通技术人员可知，随着图像检测装置的演变和新业务场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
以下分别进行详细说明。在本实施例中，将对图像检测方法进行详细描述，该图像检测方法可以集成在终端或服务器上，如图2所示，图2是本申请实施例提供的图像检测方法的流程示意图。该图像检测方法可以包括：
101、获取初始图像以及图像变化参数。
其中，初始图像可以包括处理前的图像，初始图像可以是图片，也可以是视频中截取的视频帧，比如，初始图像可以为从用户上传的短视频中截取的帧图像。
其中，图像变化参数可以包括处理初始图像所依据的数据，图像变化参数可以包括百分数、小数、整数等形式，图像变化参数的形式可以根据实际应用场景灵活确定，图像变化参数可以包括指向处理初始图像中部分元素时所依据的参数，比如，图像变化参数可以为针对初始图像中土豆元素的参数。
具体地，获取初始图像的方式可以包括多种，可以通过图像采集设备拍摄得到，可以通过接收用户上传或计算机设备传输的方式得到，若拍摄或接收到的是图像，则可直接确定该图像为初始图像，若拍摄或接收到的是视频，可以对视频进行截取得到的视频帧图像，该视频帧图像即为初始图像。
图像变化参数可以由用户输入，也可以预先设定并保存在本地终端或服务器等计算机设备内，还可以为计算机设备根据获取到的初始图像的特定特征(如面积、分辨率等)计算得到，等等。比如，计算机设备根据初始图像的分辨率和色彩范围，通过算法确定初始图像的变化参数范围，并将变化参数范围显示在用户界面上，用户输入处于变化参数范围内的目标变化参数，从而使得计算机设备获取到目标变化参数。
比如，通过计算机设备上拍摄得到图片A(即初始图像)，向服务器发送参数获取请求，然后接收服务器基于参数获取请求返回的图像变化参数1。
102、基于图像变化参数对初始图像进行处理，得到目标图像。
其中，目标图像可以包括处理后的图像，对初始图像进行处理得到目标图像，目标图像可以为对初始图像的整体进行处理得到，目标图像也可以为对初始图像内的元素进行移动、放大或缩小等操作得到的图像，因此，目标变化参数可以指代元素移动的距离、元素放大或缩小的程度等。
具体地，根据图像变化参数对初始图像进行处理可以包括图像增强、图像分割、以及图像识别等过程中的至少一个，处理还可以通过训练后的机器学习模型进行，比如，将初始图像和图像变化参数输入训练后的变化模型进行处理，得到目标图像。
比如，将图片A输入图像处理模型，得到处理后的图片B。
103、对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像。
其中，差异图像可以包括根据初始图像和目标图像之间的差异得到的图像，初始图像和目标图像之间的差异随着应用场景的差异可以有多种表现形式，因此差异图像的显示要素可以存在多种不同的情况，显示要素可以如差异图像的尺寸、差异图像中像素的色彩范围等，此外，差异图像的显示要素与初始图像和目标图像的尺寸、像素色彩范围等信息没有明显关联，比如，差异图像与初始图像可以具有相同的尺寸、像素个数、和像素色彩范围。
具体地，二者之间的差异可以通过像素差异分析得到，像素差异分析针对初始图像和目标图像中相对应的位置，比如，可以根据相同的分区原则对初始图像和目标图像进行分区，然后对二者的每一组对应区域进行像素差异分析，根据每一组对应区域的分析结果得到差异图像；又比如，可以对初始图像和目标图像中属于相同像素位置的像素点进行像素差异分析，进而得到差异图像。
具体地，像素差异分析可以包括对像素的位置信息、色彩信息、数量信息等信息中的至少一个进行分析，比如，可以分别统计初始图像和目标图像中处于预设色彩范围的像素点的数量，进而计算二者的差异数量，获取预设像素信息，最后基于预设像素信息和差异数量生成差异图像。
比如，对图片A和图片B中的对应位置的像素进行差异分析，得到差异图像C。
在一些实施例中，初始图像包括多个初始像素点，目标图像包括多个目标像素点，步骤“对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像”可以包括：
基于每个初始像素点在初始图像中的位置信息、以及每个目标像素点在目标图像中的位置信息，确定位置信息相同的多组像素对，像素对包括初始像素点和目标像素点；根据每个初始像素点的色彩信息和每个目标像素点的色彩信息，对每组像素对进行差异计算，得到每组像素对的色彩差异信息；整合每组像素对的位置信息和色彩差异信息，以获取差异图像。
图像可以包括多个像素点，初始图像包括多个初始像素点，目标图像包括多个目标像素点，每一个像素点位于图像中的特定位置且带有特定色彩，进行像素差异分析的一种方式可以是：对初始图像和目标图像中位于相同位置的像素点的色彩进行差异分析，从而得到差异图像。
其中，位置信息可以包括像素点在图像中的相对位置，位置信息可以通过坐标表示，比如像素点A的位置信息可以为(30，30)。
在本实施例中，对初始图像进行处理不改变图像尺寸、分辨率等，处理主要改变初始图像内元素的相关信息，即初始图像与目标图像的尺寸相同、且二者包含的像素点数量相同，则可以根据初始图像中每一初始像素点的位置信息，以及目标图像中每一目标像素点的位置信息，确定多组像素对，每一组像素对包括位置信息相同的一个初始像素点和一个目标像素点。
其中，色彩信息可以通过不同的色彩模式进行表示，色彩模式如索引模型(Indexed Color)、RGB模式、HSB模式等，比如，若通过RGB模式进行表示，像素点A的色彩信息可以为(10，20，5)。
具体地，可以依次对每一组像素对进行差异计算，根据该像素对内初始像素点的色彩信息、以及目标像素点的色彩信息进行计算，得到色彩差异信息，比如，可以对二者的色彩信息进行求方差或标准差的操作。
色彩差异信息可以表征像素对在色彩上的差异，色彩差异信息可以与色彩信息类似，如色彩差异信息可以通过与色彩信息相同的色彩模型进行表示，进行差异计算后得到的色彩差异信息的种类可以为至少两种。
每一像素对可以对应位置信息(即该像素对包含的初始像素点或目标像素点的位置信息)和色彩差异信息，将这些信息整合起来，即可得到一个差异图像。一个像素点包括位置信息和色彩信息，则可以将得到的色彩差异信息设置为色彩信息，再结合像素对应的位置信息，可以确定一个差异像素点，对所有像素对进行上述操作，即可得到若干差异像素点，这些差异像素点可以构成一个差异图像。
比如，图片A包括多个初始像素点，图片B包括多个目标像素点，基于每个初始像素点在图片A中的位置信息、以及每个目标像素点在图片B中的位置信息，确定位置信息相同的多组像素对，每一组像素对包括一个初始像素点和一个目标像素点；根据一组像素对中初始像素点的色彩信息和目标像素点的色彩信息，对该组像素对进行差值计算，得到该组像素的色彩差异信息，根据上述方法得到每组像素对的色彩差异信息；整合每组像素对的位置信息和色彩差异信息，以获取差异图像C。
在一些实施例中，步骤“根据每个初始像素点的色彩信息和每个目标像素点的色彩信息，对每组像素对进行差异计算，得到每组像素对的色彩差异信息”可以包括：
确定像素对中初始像素点的色彩信息与目标像素点的色彩信息之间的差异信息；当差异信息满足预设条件时，确定像素对的色彩差异信息为第一色彩差异信息；当差异信息不满足预设条件时，确定像素对的色彩差异信息为第二色彩差异信息。
本实施例中，色彩信息可以表示为包含至少两个元素的数组，初始像素点的色彩信息为初始色彩数组，目标像素点的色彩信息为目标色彩数据，差异信息可以包括初始色彩数组和目标色彩数组之间的差异，比如，可以分别计算数组中位置相同的数组元素的差值绝对值，进而得到差异信息。
其中，预设条件可以根据实际情况灵活设置，比如预设条件可以为差异信息与设定数据相同、或差异信息位于设定数值区间，等等。则当差异信息满足预设条件时，确定色彩差异信息为第一色彩差异信息，当差异信息不满足预设条件时，确定色彩差异信息为第二色彩差异信息。
根据每个初始像素点的色彩信息和每个目标像素点的色彩信息，对每组像素对进行差异计算，得到每组像素对的色彩差异信息，可以通过算法计算得到，比如，像素对包括初始像素点和目标像素点，初始像素点的色彩信息可以表示为
Figure BDA0002969560100000101
目标像素点的色彩信息可以表示为
Figure BDA0002969560100000102
Figure BDA0002969560100000103
色彩差异信息可以为(Rx,y,Gx,y,Bx,y)，确定像素对的色彩差异信息的算法可以为：
Figure BDA0002969560100000104
104、基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征。
其中，目标差异区域可以为差异图像的一部分区域，目标差异区域为差异图像中能够表现初始图像与目标图像的差异的区域，区域差异特征可以包括目标差异区域的几何特征，比如，区域差异特征可以为目标差异区域的面积、位置、以及形状等。
在差异图像中确定目标差异区域可以包括多种方式，比如，通过随机算法在差异图像中随机得到一个目标差异区域。得到区域差异特征的方式也可以包括多种，比如，可以测量目标差异区域的边长、半径等几何数据，再根据几何数据进行计算得到区域差异特征。
比如，可以将差异图像C输入计算机视觉领域的智能模型，得到输出的目标差异区域1以及该目标差异区域1在差异图像C中的相对位置信息(即区域差异特征)。
在一些实施例中，差异像素点包括位置信息和色彩差异信息，步骤“基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征”可以包括：
当差异像素点的色彩差异信息为目标差异信息时，确定差异像素点为目标差异像素点；根据差异图像中所有目标差异像素点的位置信息，确定差异图像中的目标差异区域、以及目标差异区域的区域差异特征。
在本实施例中，可以对差异像素点进行筛选，得到目标差异像素点，并根据所有目标差异像点在差异图像中的位置，确定目标差异区域及其区域差异特征。
具体地，可以根据差异像素点的色彩差异信息进行筛选，确定色彩差异信为目标色彩差异信息的差异像素点为目标差异像素点，其中，目标色彩差异信息可以预先确定，可以为所有色彩差异信息中的至少一种，比如，当差异色彩信息包括第一差异色彩信息和第二差异色彩信息时，目标差异信息可以为第一差异色彩信息，又比如，目标色彩差异信息可以为A1和A3，则可以将色彩差异信息为A1或A3的差异像素点确定为目标差异像素点。
其中，可以将能够包括所有目标差异像素点的区域确定为目标差异区域，目标差异区域的形状可以如矩形、圆形或不规则多边形等，目标差异区域可以仅包括所有目标差异像素点，也可以包括所有目标差异像素点和部分非目标差异像素点。比如，为了所有目标差异像素点构成的区域为多边形，但是要得到一个圆形的目标差异区域，则该目标差异区域必然包括所有目标差异像素点和部分非目标差异像素点。
比如，当差异像素点的色彩差异信息为差异信息1时，确定差异像素点为目标差异像素点；根据差异图像C中所有目标差异像素点的位置信息，确定差异图像中的目标差异区域1、以及目标差异区域的区域差异特征1。
105、根据区域差异特征和图像变化参数，确定目标图像的检测结果。
其中，检测结果可以包括能够确定目标图像是否为初始图像基于图像变化参数变化后的图像，若是则对初始图像的处理过程有效且正确，得到了想要的目标图像，若否则对初始图像的处理过程存在异常，实际得到的目标图像与想要得到的图像不符，在初始图像和想要得到的图像差异较小时，通过本申请的方案检测实际得到的目标图像是否为想要得到的图像，相比于人工方式，本申请可以有效提升图像检测效率。
具体地，根据区域差异特征和图像变化参数确定检测结果的方式有多种，比如可以对区域差异特征和图像变化参数进行融合计算，从而确定检测结果。
比如，根据图像变化参数1以及目标差异区域1在差异图像C中的相对位置信息，确定图片B的检测结果1。
在一些实施例中，图像检测方法还包括：
对目标差异区域的所有目标差异像素点进行融合计算，得到像素差异特征；
步骤“根据区域差异特征和图像变化参数，确定目标图像的检测结果”可以包括：
基于区域差异特征、像素差异特征和图像变化参数，确定目标图像的检测结果。
为了进一步提取差异图像中的信息，从而得到更加精确地检测结果，可以对目标差异区域的所有目标差异像素点进行融合运算，得到像素点层面上的像素差异特征，再基于像素差异特征和区域差异特征一起，得到目标图像的检测结果。
其中，像素差异特征可以包括基于所有目标差异像素点得到的特征，可以包括基于所有目标差异像素点的位置信息得到的位置特征，也可以包括基于所有目标差异像素点的色彩信息得到的色彩特征，还可以包括基于所有目标差异像素点的位置信息和色彩信息得到的信息特征，等等。
具体地，融合计算可以求平均、加权、求方差/标准差、归一化/正态分布等计算方式中的至少一个，比如，可以对所有目标像素点的色彩信息求色彩标准差，对所有目标像素点的位置信息求位置标准差，再对色彩标准差和位置标准差加权求和，得到像素差异特征。
比如，目标差异区域的目标差异像素点可以有N个(N为正整数)，第n个目标差异像素点的坐标可以为(xn，yn)，像素差异特征可以包括第一平均位置
Figure BDA0002969560100000131
和第二平均位置
Figure BDA0002969560100000132
计算公式可以为:
Figure BDA0002969560100000133
Figure BDA0002969560100000134
基于区域差异特征、像素差异特征和图像变化参数确定检测结果的方式有多种，如可以对区域差异特征、像素差异特征和图像变化参数进行融合计算，得到目标图像的检测结果。
比如，可以对目标差异区域1的所有目标差异像素点的位置坐标进行融合计算，得到像素差异信息1，将区域差异特征1和像素差异特征1进行加权平均，并将得到的结果与图像变化参数对比，得到图片2的检测结果。
在一些实施例中，步骤“基于区域差异特征、像素差异特征和图像变化参数，确定目标图像的检测结果”可以包括：
获取图像变化度量模型；通过图像变化度量模型对区域差异特征和像素差异特征进行差异量化，得到目标图像的实际变化数据；基于实际变化数据和图像变化参数，确定目标图像的检测结果。
其中，图像变化度量模型可以用于量化目标图像相对于初始图像的变化程度，图像变化度量模型可以包括至少一个，如果包括多个，则可以分别对目标图像相对于初始图像的多维度(维度可以如位置、色彩等)变化进行量化，可以包括直接获取已有的图像变化度量模型，也可以构建一个初始模型并训练该初始模型，最后得到训练后的图像变化度量模型，等等。
其中，实际变化数据可以包括目标图像相对于初始图像发生变化的部分的量化数据，而图像变化参数为对初始图像进行处理时依据的数据，是理论上目标图像相对于初始图像变化的部分的量化数据，因此，可以基于实际变化数据和图像变化参数对目标图像进行检测，确定检测结果。比如，若实际变化数据与图像变化参数相同，则确定检测结果为目标图像正常，若实际变化数据与图像变化参数不同，则确定检测结果为目标图像异常。
比如，可以获取模型M，将像素差异信息1和区域差异特征1输入模型M进行差异量化，得到图片B的实际变化数据1，根据实际变化数据1和图像变化参数1进行检测，得到图片B的检测结果。
在一些实施例中，步骤“基于实际变化数据和图像变化参数，确定目标图像的检测结果”可以包括：
当实际变化数据与图像变化参数的差值小于预设阈值时，确定目标图像的检测结果为图像正常；当实际变化数据与图像变化参数的差值大于预设阈值时，确定目标图像的检测结果为图像异常。
在实际应用过程中，可以求实际变化数据与图像变化参数的差值，若差值在可接受范围内，则可以认为得到的目标图像检测通过，此时可以理解为目标图像与想要的图像的差距较小，该差距可以忽略不计。
具体地，实际变化数据可能小于图像变化参数，也可能大于图像变化参数，因此可以求二者的绝对值差值，根据绝对值差值的大小衡量确定实际变化数据与图像变化参数之间差异的程度。
其中，图像正常表示目标图像检测通过，即目标图像符合通过基于图像变化参数对初始图像进行处理得到图像的要求；图像异常表示目标图像检测不通过，即目标图像不符合通过基于图像变化参数对初始图像进行处理得到图像的要求。
比如，当实际变化数据1与图像变化参数1的差值小于预设阈值1时，确定图片B的检测结果为图像正常；当实际变化数据1与图像变化参数1的差值大于预设阈值1时，确定图片B的检测结果为图像异常。
在一些实施例中，图像变化度量模型包括区域度量子模型和像素度量子模型，实际变化数据包括区域实际变化数据和像素实际变化数据，
步骤“通过图像变化度量模型对区域差异特征和像素差异特征进行差异量化，得到目标图像的实际变化数据”可以包括：
通过区域度量子模型对区域差异特征进行差异量化，得到目标图像的区域实际变化数据；通过像素度量子模型对像素差异特征进行差异量化，得到目标图像的像素实际变化数据。
具体地，可以通过两个子模型分别对区域差异特征和像素差异特征进行差异量化，分别得到目标图像的区域实际变化数据和像素实际变化数据，其中，区域度量子模型用于量化目标图像相对于初始图像的区域变化程度，像素度量子模型用于量化目标图像相对于初始图像的像素变化程度，区域实际变化数据可以为目标图像相对于初始图像发生变化的区域部分的量化数据，像素实际变化数据可以为目标图像相对于初始图像发生变化的像素部分的量化数据。
比如，模型M包括子模型M1和子模型M2，将像素差异信息1输入子模型M1，得到像素实际变化数据1，将区域差异信息1输入子模型M2，得到区域实际变化数据1。
在一些实施例中，步骤“基于实际变化数据和图像变化参数，确定目标图像的检测结果”可以包括：
当区域实际变化数据与图像变化参数的差值小于预设第一阈值、且像素实际变化数据与图像变化参数的差值小于预设第二阈值时，确定目标图像的检测结果为图像正常。
其中，区域实际变化数据与图像变化参数的差值可以为绝对值差值，像素实际变化数据与图像变化参数的差值可以为绝对值差值，绝对值差值即二者作差再求绝对值。
不同维度(区域和像素)对误差大小的容忍度不同，因此可以为区域实际变化数据和像素实际变化数据分别设置预设第一阈值和预设第二阈值，以得到更加精确的目标图像的检测结果。
比如，区域实际变化数据1与图像变化参数1的差值小于第一阈值，且像素实际变化数据1与图像变化参数1的差值小于第二阈值，则确定图像B的检测结果为图像正常。
在一些实施例中，步骤“基于实际变化数据和图像变化参数，确定目标图像的检测结果”可以包括：
当区域实际变化数据与图像变化参数的差值大于预设第一阈值时，确定目标图像的检测结果为图像面积异常；当像素实际变化数据与图像变化参数的差值大于预设第二阈值时，确定目标图像的检测结果为图像位置异常。
其中，图像面积异常表示目标图像相对于初始图像的差异面积不符合图像变化参数，图像面积异常表示目标图像相对于初始图像的像素差异不符合图像差异参数。
比如，区域实际变化数据1与图像变化参数1的差值大于第一阈值，则确定图像B的检测结果为图像面积异常；像素实际变化数据1与图像变化参数1的差值大于第二阈值，则确定图像B的检测结果为图像位置异常。
在一些实施例中，图像测试方法还包括：
获取初始样本图像、以及初始样本图像对应的至少两个目标样本图像，目标样本图像携带相对初始样本图像的样本变化参数；将初始样本图像与至少两个目标样本图像进行差异处理，得到每个目标样本图像的样本差异特征；基于每个目标样本图像的样本差异特征和设定样本变化参数，生成图像变化度量模型。
本申请的图像变化度量模型可以基于回归分析得到，也可以基于机器学习得到，比如，可以设定一个初始度量方程(即初始度量模型)，该初始度量模型可以包括至少一个未知参数，初始度量模型的自变量为样本差异特征，因变量为样本变化参数，可以将每个目标样本图像的样本差异特征和样本变化参数依次作为初始度量模型的自变量和因变量，得到至少两个方程，通过对这至少两个方程的求解，得到初始度量模型中所有未知参数的已知数值，得到包括所有未知参数的已知数值的图像变化度量模型。
其中，目标样本图像为基于样本变化参数对初始样本图像进行变化处理得到，样本变化参数为对初始样本图像进行变化处理得到目标样本图像时依据的参数，样本差异特征为目标样本图像相对于初始样本图像实际变化的量化数据。
本申请可以对初始图像和目标图像进行差异计算，得到二者的差异图像，以及差异图像中的目标差异区域和目标差异区域的区域差异特征，进而基于区域差异特征和图像变化参数进行检测，得到目标图像的检测结果，相比于现有技术，本申请通过计算机设备自动实施上述过程，可以有效提升图像检测效率。
根据上述实施例所描述的方法，以下将举例作进一步详细说明。
本申请可以对进行了美颜操作的图像的美颜效果进行检测，美颜操作可以包括大眼、调节鼻子大小、调节嘴唇厚度、微笑唇、瘦脸等等，参见图3，图3为本申请实施例提供的图像检测方法的流程示意图，该图像检测方法可以包括：
201、计算机设备获取初始样本图像、以及初始样本图像对应的至少两个目标样本图像，目标样本图像携带相对初始样本图像的样本变化参数。
比如，计算机设备获取样本图像1(即初始样本图像)，以及样本图像1对应的样本图像2(目标样本图像)和样本图像3(目标样本图像)，样本图像2携带变化参数1，样本图像3携带变化参数2，其中，样本图像1为人脸图像，样本图像2为对样本图像1进行50％(样本变化参数1)大眼操作得到的图像，样本图像3为对样本图像1进行80％(样本变化参数2)大眼操作得到的图像。
202、计算机设备分别对初始样本图像及其对应的至少两个目标样本图像的对应位置进行像素差异分析，以获取至少两个样本差异图像。
比如，对样本图像1和样本图像2中对应位置的像素点进行差异分析，得到样本差异图像1，对样本图像1和样本图像3中对应位置的像素点进行差异分析，得到样本差异图像2。其中，差异分析可以为对相同位置像素点的色彩值(如RGB值)进行差值计算，如可以对每一色彩通道的色彩值分别进行差值计算，基于计算结果为该差异图像中该位置的像素赋像素值。
203、计算机设备分别基于每个样本差异图像中的多个样本差异像素点，在每个样本差异图像中确定目标样本差异区域以及目标样本差异区域的样本区域差异特征。
比如，样本差异图像1可以参见图4，图4中包括色彩值为(0,0,0)的像素点(黑色)，以及色彩值为(255,255,255)的像素点(白色)，将白色部分用最小矩形框框起来，得到目标样本差异区域1，目标样本差异区域1可以参见图5，并测量目标样本差异区域1的横向边长1(即样本区域差异特征11)和纵向边长1(样板区域差异特征12)。
204、计算机设备分别对每个目标样本差异区域的所有目标样本差异像素点进行融合计算，得到每个样本差异图像的样本像素差异特征。
比如，样本差异图像1中，目标样本差异像素点为色彩值为(255,255,255)的像素点，每一个目标样本差异像素点在样本差异图像中个二维位置坐标值，即X值和Y值，将所有目标样本差异像素点的X值求平均，得到第一平均坐标值(即样本像素差异特征1)，将所有目标样本差异像素点的Y值求平均，得到第二平均坐标值(即样本像素差异特征2)。
205、计算机设备基于至少两个样本差异图像的样本像素差异特征和样本变化参数，生成像素变化度量模型，以及基于至少两个样本差异图像的样本区域差异特征和样本变化参数，生成区域变化度量模型。
比如，样本差异图像1对应横向边长1(即样本区域差异特征11)h1、纵向边长1(样板区域差异特征12)v1、第一X平均坐标值(即样本像素差异特征11)
Figure BDA0002969560100000181
和第一Y平均坐标值(即样本像素差异特征12)
Figure BDA0002969560100000182
样本差异图像1对应横向边长2(即样本区域差异特征21)h2和纵向边长2(样板区域差异特征22)v2、第二X平均坐标值(即样本像素差异特征21)
Figure BDA0002969560100000183
和第二Y平均坐标值(即样本像素差异特征22)
Figure BDA0002969560100000184
可以获取初始区域变化度量模型1ph、初始区域变化度量模型2pv、初始像素变化度量模型1px和初始像素变化度量模型2py，分别是：
ph＝ah+b
pv＝cv+d
Figure BDA0002969560100000185
Figure BDA0002969560100000186
以像素变化度量模型1px的计算过程为例，将50％(样本变化参数1)p1和第一X平均坐标值(即样本像素差异特征11)
Figure BDA0002969560100000187
代入
Figure BDA0002969560100000188
得到式1：
Figure BDA0002969560100000189
将80％(样本变化参数2)p2和第二X平均坐标值(即样本像素差异特征12)
Figure BDA00029695601000001810
分别代入
Figure BDA00029695601000001811
得到式2：
Figure BDA00029695601000001812
基于式1和式2进行计算，得到e和f，如下：
Figure BDA00029695601000001813
进而得到像素变化度量模型1px:
Figure BDA00029695601000001814
同理，可以得到像素变化度量模型2py：
Figure BDA0002969560100000191
区域变化度量模型1ph：
Figure BDA0002969560100000192
区域变化度量模型2pv：
Figure BDA0002969560100000193
206、计算机设备接收初始图像以及图像变化参数。
比如，接收待美颜图像(即初始图像)、以及为待美颜图像设置的美颜生效百分比pt(即图像变化参数)。
207、计算机设备基于图像变化参数对初始图像进行处理，得到目标图像。
比如，根据美颜生效百分比对待美颜图像进行美颜处理，得到美颜后图像(即目标图像)。
208、计算机设备对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像。
比如，对待美颜图像和美颜后中对应位置的像素点进行差异分析，得到美颜差异图像(即差异图像)。
209、计算机设备基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征，并对目标差异区域的所有目标差异像素点进行融合计算，得到像素差异特征。
比如，根据美颜差异图像中的差异像素点，确定美颜差异图像中的矩形差异区域(即目标差异区域)，并测量矩形差异区域的横向边长和纵向边长，对矩形差异区域中所有差异像素点的位置坐标求平均，得到X平均值和Y平均值。
210、计算机设备将区域差异特征输入区域变化度量模型，得到区域实际变化数据，以及将像素差异特征数据像素变化度量模型，得到像素实际变化数据。
比如，将美颜生效百分比和横向边长输入区域变化度量模型1ph，得到横向真实变化参数ph1，将美颜生效百分比和纵向边长输入区域变化度量模型2pv，得到纵向真实变化参数pv1，将美颜生效百分比和X平均值输入像素变化度量模型1px，得到X真实变化参数px1，将美颜生效百分比和Y平均值输入像素变化度量模型2ky，得到Y真实变化参数py1。
211、计算机设备基于区域实际变化数据、像素实际变化数据和图像变化参数，确定目标图像的检测结果。
比如，当横向真实变化参数ph1、纵向真实变化参数pv1、X真实变化参数px1、Y真实变化参数py1满足下列条件时，确定美颜后图像相比于待美颜图像的变化符合美颜生效百分比，条件具体包括：
|ph1-pt|≤k1
|pv1-pt|≤k2
|px1-pt|≤k3
|py1-pt|≤k4
其中，k1、k2、k3、k4可以根据需求灵活设置，可以相同，也可以不同，在此不做限制。
本申请可以对初始图像和目标图像进行差异计算，得到二者的差异图像，以及差异图像中的目标差异区域和目标差异区域的区域差异特征，进而基于区域差异特征和图像变化参数进行检测，得到目标图像的检测结果，相比于现有技术，本申请通过计算机设备自动实施上述过程，可以有效提升图像检测效率。
为便于更好的实施本申请实施例提供的图像检测方法，本申请实施例还提供一种基于上述图像检测方法的装置。其中名词的含义与上述图像检测方法中相同，具体实现细节可以参考方法实施例中的说明。
如图6所示，图6本申请一实施例提供的图像检测装置的结构示意图，其中该图像检测装置可以包括获取模块301、处理模块302、差异分析模块303、特征确定模块304和结果确定模块305，其中，
获取模块301，用于获取初始图像以及图像变化参数；
处理模块302，用于基于图像变化参数对初始图像进行处理，得到目标图像；
差异分析模块303，用于对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像；
特征确定模块304，用于基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征；
结果确定模块305，用于根据区域差异特征和图像变化参数，确定目标图像的检测结果。
在一些实施例中，图像检测装置还包括：
计算模块，用于对目标差异区域的所有目标差异像素点进行融合计算，得到像素差异特征；
此时，结果确定模块具体用于：
基于区域差异特征、像素差异特征和图像变化参数，确定目标图像的检测结果。
在一些实施例中，结果确定模块包括获取子模块、量化子模块和确定子模块，其中，
获取子模块，用于获取图像变化度量模型；
量化子模块，用于通过图像变化度量模型对区域差异特征和像素差异特征进行差异量化，得到目标图像的实际变化数据；
确定子模块，用于基于实际变化数据和图像变化参数，确定目标图像的检测结果。
在一些实施例中，确定子模块具体用于：
当实际变化数据与图像变化参数的差值小于预设阈值时，确定目标图像的检测结果为图像正常；
当实际变化数据与图像变化参数的差值大于预设阈值时，确定目标图像的检测结果为图像异常。
在一些实施例中，图像变化度量模型包括区域度量子模型和像素度量子模型，实际变化数据包括区域实际变化数据和像素实际变化数据，量化子模块具体用于：
通过区域度量子模型对区域差异特征进行差异量化，得到目标图像的区域实际变化数据；
通过像素度量子模型对像素差异特征进行差异量化，得到目标图像的像素实际变化数据。
在一些实施例中，确定子模块具体用于：
当区域实际变化数据与图像变化参数的差值小于预设第一阈值、且像素实际变化数据与图像变化参数的差值小于预设第二阈值时，确定目标图像的检测结果为图像正常。
在一些实施例中，确定子模块具体用于：
当区域实际变化数据与图像变化参数的差值大于预设第一阈值时，确定目标图像的检测结果为图像面积异常；
当像素实际变化数据与图像变化参数的差值大于预设第二阈值时，确定目标图像的检测结果为图像位置异常。
在一些实施例中，初始图像包括多个初始像素点，目标图像包括多个目标像素点，差异分析模块包括确定子模块、计算子模块和整合子模块，其中，
确定子模块，用于基于每个初始像素点在初始图像中的位置信息、以及每个目标像素点在目标图像中的位置信息，确定位置信息相同的多组像素对，像素对包括初始像素点和目标像素点；
计算子模块，用于根据每个初始像素点的色彩信息和每个目标像素点的色彩信息，对每组像素对进行差异计算，得到每组像素对的色彩差异信息；
整合子模块，用于整合每组像素对的位置信息和色彩差异信息，以获取差异图像。
在一些实施例中，计算子模块具体用于：
确定像素对中初始像素点的色彩信息与目标像素点的色彩信息之间的差异信息；
当差异信息满足预设条件时，确定像素对的色彩差异信息为第一色彩差异信息；
当差异信息不满足预设条件时，确定像素对的色彩差异信息为第二色彩差异信息。
在一些实施例中，差异像素点包括位置信息和色彩差异信息，特征确定模块具体用于：
当差异像素点的色彩差异信息为目标差异信息时，确定差异像素点为目标差异像素点；
根据差异图像中所有目标差异像素点的位置信息，确定差异图像中的目标差异区域、以及目标差异区域的区域差异特征。
在一些实施例中，图像检测装置还包括：
样本获取模块，用于获取初始样本图像、以及初始样本图像对应的至少两个目标样本图像，目标样本图像携带相对初始样本图像的样本变化参数；
样本差异模块，用于将初始样本图像与至少两个目标样本图像进行差异处理，得到每个目标样本图像的样本差异特征；
模型生成模块，用于基于每个目标样本图像的样本差异特征和设定样本变化参数，生成图像变化度量模型。
本申请中，获取模块301获取初始图像以及图像变化参数；处理模块302基于图像变化参数对初始图像进行处理，得到目标图像；差异分析模块303对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像；特征确定模块304基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征；结果确定模块305根据区域差异特征和图像变化参数，确定目标图像的检测结果。
本申请可以对初始图像和目标图像进行差异计算，得到二者的差异图像，以及差异图像中的目标差异区域和目标差异区域的区域差异特征，进而基于区域差异特征和图像变化参数进行检测，得到目标图像的检测结果，相比于现有技术，本申请通过计算机设备自动实施上述过程，可以有效提升图像检测效率。
此外，本申请实施例还提供一种计算机设备，该计算机设备可以为终端或者服务器，如图7所示，其示出了本申请实施例所涉及的计算机设备的结构示意图，具体来讲：
该计算机设备可以包括一个或者一个以上处理核心的处理器401、一个或一个以上计算机可读存储介质的存储器402、电源403和输入单元404等部件。本领域技术人员可以理解，图7中示出的计算机设备结构并不构成对计算机设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器401是该计算机设备的控制中心，利用各种接口和线路连接整个计算机设备的各个部分，通过运行或执行存储在存储器402内的软件程序和/或模块，以及调用存储在存储器402内的数据，执行计算机设备的各种功能和处理数据，从而对计算机设备进行整体监控。可选的，处理器401可包括一个或多个处理核心；优选的，处理器401可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作***、用户页面和应用程序等，调制解调处理器主要处理无线通讯。可以理解的是，上述调制解调处理器也可以不集成到处理器401中。
存储器402可用于存储软件程序以及模块，处理器401通过运行存储在存储器402的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器402可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器402还可以包括存储器控制器，以提供处理器401对存储器402的访问。
计算机设备还包括给各个部件供电的电源403，优选的，电源403可以通过电源管理***与处理器401逻辑相连，从而通过电源管理***实现管理充电、放电、以及功耗管理等功能。电源403还可以包括一个或一个以上的直流或交流电源、再充电***、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该计算机设备还可包括输入单元404，该输入单元404可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，计算机设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，计算机设备中的处理器401会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器402中，并由处理器401来运行存储在存储器402中的应用程序，从而实现各种功能，如下：
获取初始图像以及图像变化参数；基于图像变化参数对初始图像进行处理，得到目标图像；对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像；基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征；根据区域差异特征和图像变化参数，确定目标图像的检测结果。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
根据本申请的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中各种可选实现方式中提供的方法。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过计算机程序来完成，或通过计算机程序控制相关的硬件来完成，该计算机程序可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例还提供一种存储介质，其中存储有计算机程序，该计算机程序能够被处理器进行加载，以执行本申请实施例所提供的任一种图像检测方法中的步骤。例如，该计算机程序可以执行如下步骤：
获取初始图像以及图像变化参数；基于图像变化参数对初始图像进行处理，得到目标图像；对初始图像和目标图像中对应位置进行像素差异分析，以获取差异图像；基于差异图像中的多个差异像素点，在差异图像中确定目标差异区域以及目标差异区域的区域差异特征；根据区域差异特征和图像变化参数，确定目标图像的检测结果。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的计算机程序，可以执行本申请实施例所提供的任一种图像检测方法中的步骤，因此，可以实现本申请实施例所提供的任一种图像检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
以上对本申请实施例所提供的一种图像检测方法、装置、存储介质及计算机设备进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本申请的限制。

Claims (14)

1.一种图像检测方法，其特征在于，包括：
获取初始图像以及图像变化参数；
基于所述图像变化参数对所述初始图像进行处理，得到目标图像；
对所述初始图像和所述目标图像中对应位置进行像素差异分析，以获取差异图像；
基于所述差异图像中的多个差异像素点，在所述差异图像中确定目标差异区域以及所述目标差异区域的区域差异特征；
根据所述区域差异特征和所述图像变化参数，确定所述目标图像的检测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
对所述目标差异区域的所有目标差异像素点进行融合计算，得到像素差异特征；
所述根据所述区域差异特征和所述图像变化参数，确定所述目标图像的检测结果，包括：
基于所述区域差异特征、所述像素差异特征和所述图像变化参数，确定所述目标图像的检测结果。
3.根据权利要求2所述的方法，其特征在于，所述基于所述区域差异特征、所述像素差异特征和所述图像变化参数，确定所述目标图像的检测结果，包括：
获取图像变化度量模型；
通过所述图像变化度量模型对所述区域差异特征和所述像素差异特征进行差异量化，得到所述目标图像的实际变化数据；
基于所述实际变化数据和所述图像变化参数，确定所述目标图像的检测结果。
4.根据权利要求3所述的方法，其特征在于，所述基于所述实际变化数据和所述图像变化参数，确定所述目标图像的检测结果，包括：
当所述实际变化数据与所述图像变化参数的差值小于预设阈值时，确定所述目标图像的检测结果为图像正常；
当所述实际变化数据与所述图像变化参数的差值大于预设阈值时，确定所述目标图像的检测结果为图像异常。
5.根据权利要求3所述的方法，其特征在于，所述图像变化度量模型包括区域度量子模型和像素度量子模型，所述实际变化数据包括区域实际变化数据和像素实际变化数据，
所述通过所述图像变化度量模型对所述区域差异特征和所述像素差异特征进行差异量化，得到所述目标图像的实际变化数据，包括：
通过所述区域度量子模型对所述区域差异特征进行差异量化，得到所述目标图像的区域实际变化数据；
通过所述像素度量子模型对所述像素差异特征进行差异量化，得到所述目标图像的像素实际变化数据。
6.根据权利要求5所述的方法，其特征在于，所述基于所述实际变化数据和所述图像变化参数，确定所述目标图像的检测结果，包括：
当所述区域实际变化数据与图像变化参数的差值小于预设第一阈值、且所述像素实际变化数据与图像变化参数的差值小于预设第二阈值时，确定所述目标图像的检测结果为图像正常。
7.根据权利要求5所述的方法，其特征在于，所述基于所述实际变化数据和所述图像变化参数，确定所述目标图像的检测结果，包括：
当所述区域实际变化数据与图像变化参数的差值大于预设第一阈值时，确定所述目标图像的检测结果为图像面积异常；
当所述像素实际变化数据与图像变化参数的差值大于预设第二阈值时，确定所述目标图像的检测结果为图像位置异常。
8.根据权利要求1所述的方法，其特征在于，所述初始图像包括多个初始像素点，所述目标图像包括多个目标像素点，
所述对所述初始图像和所述目标图像中对应位置进行像素差异分析，以获取差异图像，包括：
基于每个初始像素点在初始图像中的位置信息、以及每个目标像素点在目标图像中的位置信息，确定位置信息相同的多组像素对，所述像素对包括初始像素点和目标像素点；
根据每个初始像素点的色彩信息和每个目标像素点的色彩信息，对每组像素对进行差异计算，得到每组像素对的色彩差异信息；
整合每组像素对的位置信息和色彩差异信息，以获取差异图像。
9.根据权利要求8所述的方法，其特征在于，所述根据每个初始像素点的色彩信息和每个目标像素点的色彩信息，对每组像素对进行差异计算，得到每组像素对的色彩差异信息，包括：
确定像素对中初始像素点的色彩信息与目标像素点的色彩信息之间的差异信息；
当所述差异信息满足预设条件时，确定所述像素对的色彩差异信息为第一色彩差异信息；
当所述差异信息不满足预设条件时，确定所述像素对的色彩差异信息为第二色彩差异信息。
10.根据权利要求1所述的方法，其特征在于，所述差异像素点包括位置信息和色彩差异信息，
所述基于所述差异图像中的多个差异像素点，在所述差异图像中确定目标差异区域以及所述目标差异区域的区域差异特征，包括：
当差异像素点的色彩差异信息为目标差异信息时，确定所述差异像素点为目标差异像素点；
根据所述差异图像中所有目标差异像素点的位置信息，确定所述差异图像中的目标差异区域、以及所述目标差异区域的区域差异特征。
11.根据权利要求3所述的方法，其特征在于，所述方法还包括：
获取初始样本图像、以及所述初始样本图像对应的至少两个目标样本图像，所述目标样本图像携带相对所述初始样本图像的样本变化参数；
将所述初始样本图像与所述至少两个目标样本图像进行差异处理，得到每个目标样本图像的样本差异特征；
基于每个目标样本图像的样本差异特征和设定样本变化参数，生成图像变化度量模型。
12.一种图像检测装置，其特征在于，包括：
获取模块，用于获取初始图像以及图像变化参数；
处理模块，用于基于所述图像变化参数对所述初始图像进行处理，得到目标图像；
差异分析模块，用于对所述初始图像和所述目标图像中对应位置进行像素差异分析，以获取差异图像；
特征确定模块，用于基于所述差异图像中的多个差异像素点，在所述差异图像中确定目标差异区域以及所述目标差异区域的区域差异特征；
结果确定模块，用于根据所述区域差异特征和所述图像变化参数，确定所述目标图像的检测结果。
13.一种存储介质，其特征在于，所述存储介质存储有多条计算机程序，所述计算机程序适于处理器进行加载，以执行如权利要求1至11任一项方法中的步骤。
14.一种计算机设备，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计算机程序时实现如权利要求1至11任一项所述方法的步骤。
CN202110260048.6A 2021-03-10 2021-03-10 一种图像检测方法、装置、存储介质及计算机设备 Pending CN113706439A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110260048.6A CN113706439A (zh) 2021-03-10 2021-03-10 一种图像检测方法、装置、存储介质及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110260048.6A CN113706439A (zh) 2021-03-10 2021-03-10 一种图像检测方法、装置、存储介质及计算机设备

Publications (1)

Publication Number Publication Date
CN113706439A true CN113706439A (zh) 2021-11-26

Family

ID=78647790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110260048.6A Pending CN113706439A (zh) 2021-03-10 2021-03-10 一种图像检测方法、装置、存储介质及计算机设备

Country Status (1)

Country Link
CN (1) CN113706439A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842485A (zh) * 2022-04-26 2022-08-02 北京百度网讯科技有限公司 一种字幕去除方法、装置及电子设备
CN117690085A (zh) * 2023-12-13 2024-03-12 济南福深兴安科技有限公司 一种视频ai分析***、方法及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114842485A (zh) * 2022-04-26 2022-08-02 北京百度网讯科技有限公司 一种字幕去除方法、装置及电子设备
CN117690085A (zh) * 2023-12-13 2024-03-12 济南福深兴安科技有限公司 一种视频ai分析***、方法及存储介质

Similar Documents

Publication Publication Date Title
US11928800B2 (en) Image coordinate system transformation method and apparatus, device, and storage medium
CN112733794B (zh) 人脸图像的视线矫正方法、装置、设备及存储介质
CN111754396B (zh) 脸部图像处理方法、装置、计算机设备和存储介质
CN107679466B (zh) 信息输出方法和装置
CN111768336B (zh) 人脸图像处理方法、装置、计算机设备和存储介质
CN111667001B (zh) 目标重识别方法、装置、计算机设备和存储介质
CN108830892B (zh) 人脸图像处理方法、装置、电子设备及计算机可读存储介质
WO2014187223A1 (en) Method and apparatus for identifying facial features
CN111008935B (zh) 一种人脸图像增强方法、装置、***及存储介质
CN108694719B (zh) 图像输出方法和装置
CN106709404A (zh) 图像处理装置及图像处理方法
CN109711268B (zh) 一种人脸图像筛选方法及设备
CN108470178B (zh) 一种结合深度可信度评价因子的深度图显著性检测方法
CN113706439A (zh) 一种图像检测方法、装置、存储介质及计算机设备
CN112561879B (zh) 模糊度评价模型训练方法、图像模糊度评价方法及装置
CN114612987A (zh) 一种表情识别方法及装置
CN114374760A (zh) 图像测试方法、装置、计算机设备及计算机可读存储介质
CN113808277A (zh) 一种图像处理方法及相关装置
CN114330565A (zh) 一种人脸识别方法及装置
CN114973349A (zh) 面部图像处理方法和面部图像处理模型的训练方法
CN111784658A (zh) 一种用于人脸图像的质量分析方法和***
CN112734747B (zh) 一种目标检测方法、装置、电子设备和存储介质
CN111126250A (zh) 一种基于ptgan的行人重识别方法及装置
CN113034544A (zh) 一种基于深度相机的人流分析方法及装置
CN112883827A (zh) 图像中指定目标的识别方法、装置、电子设备和存储介质

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