CN115239653A - 支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质 - Google Patents

Abstract

本申请提供一种支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质，涉及数字化与信息化技术领域，解决现有黑屏检测精度低且不支持多分屏情况的单个分屏黑屏的检测的问题。该方法包括：对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵；根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像；对所述多个分屏图像中任一分屏图像进行灰度化检测和/或边缘检测；若所述灰度化检测的结果和/或所述边缘检测的结果符合条件，则确定所述分屏图像为异常图像。

Description

支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质

技术领域

本发明属于数字化与信息化技术领域，特别涉及一种支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质。

背景技术

目前多分屏显示应用越来越广泛。在设备进行分屏显示时，若设备发生故障，则往往会导致其中一个屏处于黑屏或者异常状态，其他屏保持正常显示。普通的黑屏或者花屏检测程序无法满足该使用场景的问题，而人工检测将消耗大量的人力且很难保证24小时实时监测，并且多分屏方式并不固定，可能是单分屏、双分屏和三分屏及四分屏，因此普通的黑屏等故障智能检测程序并不能适用于多分屏检测场景，且黑屏检测精度较低。

发明内容

本说明书实施例的目的是提供一种支持多分屏的黑屏检测方法、装置、电子设备及可读存储介质，以解决现有黑屏检测精度低且不支持多分屏情况的单个分屏黑屏的检测的问题。

为解决上述技术问题，本申请实施例通过以下方式实现的：

第一方面，本申请提供一种支持多分屏的黑屏检测方法，所述方法包括：对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵；根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像；对所述多个分屏图像中任一分屏图像进行灰度化检测和/或边缘检测；若所述灰度化检测的结果和/或所述边缘检测的结果符合条件，则确定所述分屏图像为异常图像。

一种可能的实现方式中，对所述多个分屏图像中任一分屏图像进行灰度化检测，包括：获取所述分屏图像中像素值低于第一阈值的像素点，计算像素值低于第一阈值的像素点占所述分屏图像的总像素点的比值P；对所述多个分屏图像中任一分屏图像进行边缘检测，包括：获取所述分屏图像的边缘矩阵，获取所述分屏图像的边缘矩阵中边缘像素点数量，计算所述边缘像素点数量占所述分屏图像的总像素点数量的比值L；获取所述分屏图像包括的连通图数量，计算所述连通图数量占所述分屏图像的总像素点数量的比值K。

一种可能的实现方式中，所述灰度化检测的结果符合条件包括：所述比值P大于灰度阈值；所述边缘检测的结果符合条件包括：所述比值L和所述比值K的加权求和结果小于第二阈值，所述第二阈值用于表征所述分屏图像的边缘和内部连通情况。所述灰度化检测的结果和所述边缘检测的结果符合条件包括：对所述比值L和所述比值K的加权求和结果、所述比值P进行处理后的结果小于黑屏阈值。

一种可能的实现方式中，所述方法还包括：利用数据训练方式得到所述第一阈值、所述灰度阈值、所述第二阈值、所述黑屏阈值。

一种可能的实现方式中，所述根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像，包括：根据预设比例的矩阵与所述边缘矩阵进行匹配；若所述预设比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述预设比例的矩阵对应图像为一个分屏图像；膨胀所述预设比例的矩阵至第一比例的矩阵，若所述第一比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述第一比例的矩阵对应图像为一个分屏图像。

一种可能的实现方式中，所述多个分屏图像包括单分屏、双分屏、三分屏、四分屏和画中画中任一种。

一种可能的实现方式中，所述对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵，包括：用Soble边缘检测方法对所述图像进行垂直边缘检测得到垂直边缘矩阵以及对图像进行水平边缘检测得到水平边缘矩阵；合成所述垂直边缘矩阵和所述水平边缘矩阵得到所述图像的边缘矩阵。

第二方面，本申请提供一种支持多分屏的黑屏检测装置，所述装置包括：边缘处理模块，用于对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵；分屏模块，用于根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像；检测模块，用于对所述多个分屏图像中任一分屏图像进行灰度化检测和/或边缘检测；若所述灰度化检测的结果和/或所述边缘检测的结果符合条件，则确定所述分屏图像为异常图像。

第三方面，本申请提供一种电子设备，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，处理器执行程序时实现如第一方面的相机激光雷达手动标定方法。

第四方面，本申请提供一种可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面的相机激光雷达手动标定方法。

由以上本说明书实施例提供的技术方案可见，该方案针对黑屏判定方式采用了灰度值、边缘、连通图等多种判定方式，摒弃了之前单一的灰度值等判定方式，提高了判定的准确度，同时本申请所述方法不仅能实现多分屏异常智能检测还能智能化适应多种分屏方式，包括但不局限于单分屏、双分屏和三分屏及四分屏和画中画，提高了判定的准确度。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术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说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请提供的一种支持多分屏的黑屏检测方法的流程示意图；

图2为本申请提供的又一种支持多分屏的黑屏检测方法的流程示意图；

图3为本申请提供的支持多分屏的黑屏检测装置300的结构示意图；

图4为本申请提供的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书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说明书一部分实施例，而不是全部的实施例。基于本说明书中的实施例，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，都应当属于本说明书保护的范围。

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

在不背离本申请的范围或精神的情况下，可对本申请说明书的具体实施方式做多种改进和变化，这对本领域技术人员而言是显而易见的。由本申请的说明书得到的其他实施方式对技术人员而言是显而易见得的。本申请说明书和实施例仅是示例性的。关于本文中所使用的“包含”、“包括”、“具有”、“含有”等等，均为开放性的用语，即意指包含但不限于。

为解决背景技术提及的技术问题，本申请实施例提出了一种针对多分屏的电子设备智能检测显示屏异常的方法，该方法主要包括：先计算显示屏所显示的图像边缘矩阵，根据边缘矩阵将显示屏所显示的图像分割为多个分屏图像，对于每个分屏图像，根据灰度值、边缘、连通图等一种或多种判定方式进行异常检测，比如进行黑屏和/或蓝屏检测。如此，本申请实施例中，针对黑屏判定方式采用了灰度值、边缘、连通图等多种判定方式，摒弃了之前单一的灰度值等判定方式，提高了判定的准确度，同时本申请所述方法不仅能实现多分屏异常智能检测还能智能化适应多种分屏方式，包括但不局限于单分屏、双分屏和三分屏及四分屏和画中画，提高了判定的准确度。

下面结合附图和实施例对本发明进一步详细说明。

参照图1，其示出了适用于本申请实施例提供的支持多分屏的黑屏检测方法的流程示意图。该方法用于检测电子设备的显示屏所显示的图像是否异常，该方法由支持多分屏的黑屏检测装置执行，比如由检测人员管理的服务器执行，如图1所示，该方法包括：

S110、对电子设备所显示的图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵。

其中，所述图像为电子设备通过分屏方式显示在显示屏上的图像。所述图像包括多个像素点，一个像素点对应一个坐标信息，该坐标信息用于表征该像素点在所述图像中的位置。所述图像包括单分屏方式得到的图像、或者包括双分屏方式得到的图像，或者包括三分屏方式得到的图像，或者包括四分屏和画中画等等，本申请不限制分屏数量。

一种可能的实现方式中，S110的图像可以是原始图像，即电子设备直接显示在显示屏上的、未经过处理的图像。又一种可能的实现方式中，S110中的图像可以是对原始图像进行数据预处理后的图像。

其中，本申请所述的数据预处理过程在S110之前执行。例如，为提高处理精度和处理效率，对原始图像进行数据预处理，去处图像中无效的像素点，保留图像中有效的像素点。示例性的，对原始图像进行数据预处理可以包括对原始图像进行灰度化，对灰度化后的图像进行高斯平滑处理，去除噪声，过滤掉无用的/无效的像素点，保留有用的/有效的像素点进行后续处理。

具体的，本申请实施例所述的灰度化过程可以包括：将图像中的每个像素点进行灰度化，确定每个像素点的三色值：R值、G值以及B值，对R值、G值以及B值进行加权求和处理得到该像素点的灰度值。例如如下公式(1)所示：

GrayImg＝0.299*R+0.587*G+0.114*B 公式(1)

其中GrayImg表示像素点的灰度值，0.299为R值的权重，0.587为G值的权重，0.114为B值的权重。需要说明的是，权重可以根据需要设置，不予限制。

需要说明的是，本申请不限定对RGB格式的图像进行灰度化，还可以对其他格式的图像进行灰度化，比如对YUV格式的图像，先确定图像中的像素点的YUV值，然后对YUV值进行加权求和计算得到图像的像素点的灰度值。此外也可以采用其他方式进行灰度化，比如最大值灰度化、平均值灰度化、Gamma校正灰度化等等，具体采用哪种灰度化方式可以根据产生图像的视频源的应用场景进行选择和调整。

具体的，本申请实施例所述的高斯平滑处理可以包括对图像进行“模糊”处理，去掉噪音和细微细节，比如对图像的每个像素点进行高斯平滑二维卷积操作，去除细节和噪音。高斯平滑在去除高频噪点的同时可以保留图形的边缘信息，保留的边缘信息可以用于之后的垂直边缘检测和水平边缘检测。示例性的，高斯平滑处理公式如下公式(2)所示。

其中公式(2)中的y是图像的一个像素点的纵坐标，x是该像素点的横坐标，G(x,y)为该像素点的高斯平滑滤波结果。

示例性的，可以用Soble边缘检测方法对图像进行垂直边缘检测得到垂直边缘矩阵以及对图像进行水平边缘检测得到水平边缘矩阵，合成垂直边缘矩阵和水平边缘矩阵得到图像的边缘矩阵。

其中，垂直边缘检测包括：基于Sobel算子，求X方向梯度，即垂直边缘检测。具体的，可以根据下述公式(3)使用三维算子与图像进行卷积得到图像的垂直边缘矩阵：

其中公式(3)中的G_x为垂直边缘矩阵，G_x包括的元素对应图像中的像素点的X方向梯度，I为图像对应的矩阵，该矩阵中的元素对应图像的像素点，如对应图像中经过数据预处理得到的像素点。公式(3)中的*表示卷积计算。其中，公式(3)中的矩阵

为三维算子(或者称为三维垂直算子)。

进一步的，还可以对垂直边缘矩阵进行处理，如果垂直边缘矩阵G_x中某个像素点(x,y)的X方向梯度大于某一阀值，则认为该像素点(x,y)为垂直边缘点，进行数值保留。进一步的，还可以对垂直边缘矩阵进行连续性检测，比如针对垂直边缘矩阵进行降噪，如果某个像素点为孤点，即该像素点的垂直方向周围无相关边缘点，则认为该像素点无连续性，进行删除降噪处理。

其中，水平边缘检测可以包括：基于Sobel算子，求Y方向梯度，即水平边缘检测。具体的，可以根据下述公式(4)使用三维算子与图像进行卷积得到图像的水平边缘矩阵：

其中公式(4)中的G_y为水平边缘矩阵，G_y包括的元素对应图像中的像素点的Y方向梯度，I为图像对应的矩阵，该矩阵中的元素对应图像的像素点，如对应图像中经过数据预处理得到的像素点。公式(4)中的*表示卷积计算。其中，公式(4)中的矩阵

为三维算子(或者称为三维水平算子)。

进一步的，还可以对水平边缘矩阵进行处理，如果水平边缘矩阵G_y中某个像素点(x,y)的Y方向梯度大于某一阀值，则认为该像素点(x,y)为水平边缘点，进行数值保留。进一步的，还可以对水平边缘矩阵进行连续性检测，比如针对水平边缘矩阵进行降噪，如果某个像素点为孤点，即该像素点的水平方向周围无相关边缘点，则认为该像素点无连续性，进行删除降噪处理。

进一步的，可以对水平边缘矩阵和垂直边缘矩阵进行加权求和处理得到该图像的边缘矩阵。其中边缘矩阵可以称为垂直水平边缘矩阵。比如图像的边缘矩阵＝a*图像的垂直边缘矩阵+b*图像的水平边缘矩阵，其中a和b为加权系数，a和b的取值可以根据需要设置，不予限制。

S120、根据所述边缘矩阵对图像进行分屏处理得到多个分屏图像。

其中，该过程可以包括根据预设比例的矩阵与边缘矩阵进行匹配，若该预设比例的矩阵与边缘矩阵重合且重合的像素点的数量大于预设阈值，则确定该图像的分屏比例为所述预设比例，根据预设比例将图像进行分割处理得到多个分屏图像。比如：根据预设比例的矩阵与所述边缘矩阵进行匹配；若所述预设比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述预设比例的矩阵对应图像为一个分屏图像；膨胀所述预设比例的矩阵至第一比例的矩阵，若所述第一比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述第一比例的矩阵对应图像为又一个分屏图像，继续膨胀，直至膨胀至与原图像大小相同的矩阵且该膨胀后的矩阵与边缘矩阵不重合和/或重合但重合像素点的数量不满足要求，则结束。

其中预设比例可以包括多种，比如可以是16：9；或者4：3，或者32：18等。预设比例也可以称为原比例。例如，图像信号均有固有的比例，针对分屏其比例均一致，分屏图像比例为X：Y，目前当前图像比例以16：9比例居多，则分屏的分屏边缘也符合16：9原则，该方法也可替代为4：3，那么其每一个分屏也为X：Y比例，则针对边缘矩阵的边缘进行图像膨胀，直至触碰至边缘，则记录膨胀区域边缘，当符合比例的边缘像素点高于阈值则判定其为分屏矩阵，并将该区域判定为分屏区域，进行下一轮分屏区域判定。以16：9的比例为预设比例为例，长16宽9的矩阵去匹配这个边缘矩阵，确定边缘矩阵里面有没有这个小的长16宽9的矩阵，如果有重合的像素点，且重合的像素点的数量大于一定阈值，则将该重叠的矩阵对应的图像区域确定为分屏区域，该分屏区域所显示的图像为分屏图像，同时记录一下该重叠的矩阵，比如记录该重叠的矩阵的左上角和右下角的像素点的坐标信息。

进一步的，按照16：9的步幅进行膨胀，比如按照等比例膨胀，得到32：18的矩阵，用32：18的矩阵去匹配这个边缘矩阵，确定边缘矩阵里面有没有这个小的32：18的矩阵，如果有重合的像素点，且重合的像素点的数量大于一定阈值，则将该重叠的矩阵对应的图像区域确定为分屏区域，该分屏区域所显示的图像为分屏图像，同时记录一下该重叠的矩阵，比如记录该重叠的矩阵的左上角和右下角的像素点的坐标信息。进一步按照上述膨胀方法(本申请所述的膨胀可以指等比例膨胀)进行下一轮的分屏计算，直至膨胀出的一定比例的矩阵与边缘矩阵不重叠和/或即使重叠但重叠的数量小于阈值为止，比如膨胀至与原图像大小一致且仍未有符合条件的分屏则结束。

示例性的，可以将重叠的矩阵的左上角和右下角的像素点的坐标信息记录在矩形字典中，比如如下表一所示的矩形字典中，如表一所示，每一行记录有一个分屏矩阵的左上角和右下角的像素点的坐标信息，根据左上角和右下角的像素点的坐标信息可以得到一个分屏区域，将该分屏区域上的图像确定为分屏图像。如表一所示，左上角(x₁,y₁)和右下角(x₂,y₂)构成一个区域，该区域对应的图像为一个分屏图像。

表一

	分屏位置信息
		1	((x<sub>1</sub>,y<sub>1</sub>),(x<sub>2</sub>,y<sub>2</sub>))
2	((x′<sub>1</sub>,y′<sub>1</sub>),(x′<sub>2</sub>,y′<sub>2</sub>))

S130、对于任一分屏图像进行异常检测，其中所述异常检测包括黑屏检测和/或蓝屏检测。比如对所述多个分屏图像中任一分屏图像进行灰度化检测和/或边缘检测，若所述灰度化检测的结果和/或所述边缘检测的结果符合条件，则确定所述分屏图像为异常图像。

需要说明的是，针对多个分屏图像，可以并行执行S130，也可以先后顺序执行S130或者循环执行S130，不予限制。

具体的，对于任一分屏图像进行异常检测可以包括下述过程中的一种或多种：

1)灰度化检测。

对于每个分屏图像，获取该分屏图像中像素值低于M的像素点，其中像素值低于M的像素点为偏暗的像素点，计算像素值低于M的像素点占该分屏图像的总的像素点的比值，若该比值大于等于灰度阈值，则确定该分屏图像黑屏，反之，则确定该分屏图像非黑屏。如下公式(5)所示，判断灰度值为暗的百分比P：

其中M*N为该分屏图像的总的像素值。此处阈值M可以称为第一阈值，M可以根据需要设置，M值可以是预先配置的或者是由数据训练得出，后续可以根据需要进行手动修改设置。比如，可以进行黑屏和非黑屏进行黑屏灰度值偏暗的像素占总体比例值的训练，得到黑屏灰度比阈值。进一步的获取像素偏暗总值后，参照公式(5)计算得到P，如若P>＝灰度阈值DarkThres,则判定为黑屏，其中灰度阈值DarkThres可由数据训练得出，也可认为手动修改设置，不予限制。

需要说明的是，本申请所述的数据训练可以指：获取大量的样本图像，这些样本图像中有的是黑屏图像，有的不是黑屏图像，利用样本训练预设模型，用图像分类的方法去优化灰度阈值，最终得到一个合理的灰度阈值，如准确度高于百分之90的灰度阈值。

需要说明的是，在执行上述1)时，若在S101执行边缘检测时已经对图像进行灰度化处理，则在执行上述灰度化检测时，不需要计算分屏图像中每个像素点的灰度值，反之则需要对分屏图像进行灰度化，在灰度化之后进行上述1)所述的灰度化检测(或者称为黑屏检测)。

2)边缘化检测

基于canny算子进行边缘检测并进行矩阵计算和连通图数量计算。其中边缘检测包括：使用canny算子，对灰度化后的分屏图像进行边缘处理得到分屏图像的边缘矩阵，针对canny算子计算后的分屏图像的边缘矩阵进行进一步处理：针对分屏图像的边缘矩阵，获取其边缘像素点数量，计算边缘像素点数量占总像素点数量的比值。可以理解的是，在黑屏、蓝屏等信号缺失或异常的情况下，边缘矩阵中边缘像素值数量的占比比正常图像的边缘像素点的占比小很多。例如，如下公式(6)所示，边缘像素值数量的占比L为：

其中M*N为该分屏图像的总的像素值。

由于黑屏、蓝屏等异常情况下，图像中包含的连通图的数量几乎为0，因此连通图数量计算也可以作为黑屏蓝屏检测标准之一。基于此，本申请实施例中，针对每个分屏图像，获取其包括的连通图数量，计算连通图数量占总像素点数量的比值。可以理解的是，在黑屏、蓝屏等信号缺失或异常的情况下，连通图数量占总像素点数量的比值小很多，几乎为0。例如，如下公式(7)所示，连通图数量占总像素点数量的比值K为：

其中M*N为该分屏图像的总的像素值。

进一步的，对连通图和边缘检测得到的边缘像素点占比进行加权求和计算，可以得到分屏图像的边缘和内部连通情况。具体的，分屏图像的边缘和内部连通情况μ＝α*L+β*K，其中α、β为加权值，可以根据设置，不予限制。

其中若μ小于第二阈值，则表征该分屏图像是黑屏、蓝屏等异常图像。

其中还可以结合上述的检测结果共同确定分屏图像是否异常。比如针对上述1)和2)获取的结果P和μ进行进一步的处理，处理后的值

与预设阈值进行比较，若

则认定是黑屏，即P值越大(灰度值占比越高)，再灰度值占比越高的情况下如果μ值越小则表明黑屏概率越高，因此

则可以认定为黑屏。

其中γ为训练好的阈值或人工设定的阈值，比如可以进行数据训练得到黑屏判定阈值γ。需要说明的是，本申请所述的数据训练可以指用人工智能的图像分类方法进行数据训练，不停的优化阈值最终得到比较准确的阈值。

基于图1所述方法，针对黑屏判定方式采用了灰度值、边缘、连通图等多种判定方式，摒弃了之前单一的灰度值等判定方式，提高了判定的准确度，同时本申请所述方法不仅能实现多分屏异常智能检测还能智能化适应多种分屏方式，包括但不局限于单分屏、双分屏和三分屏及四分屏和画中画，提高了判定的准确度。

下面结合图2，对图1所示方法进行详细介绍：

(1)开始，获取电子设备显示的图像。若该图像为屏幕，则对图像进行并行修正处理后进行下一步处理。若该图像为信号直显，则直接进行下一步处理。

(2)对图像进行高斯平滑处理，保留图像中有效的像素点，过滤到该图像中无效的像素点。

(3)执行如S110所示方法，对图像进行水平边缘检测和垂直边缘检测得到边缘矩阵。

(4)执行如S120所示方法，根据边缘矩阵对图像进行分屏处理得到多个分屏图像。

(5)对于多个分屏图像，若其中不存在符合条件的分割矩阵，则检测结束。反之，对于每个分屏图像，进行灰度检测和边缘检测(比如连通图检测和边缘值检测)，根据检测结果，判断是否符合条件，比如是否满足黑屏阈值r，若满足，则标记异常分屏。遍历每个分屏图像，直至每个分屏图像均检测完毕。

参照图3，其示出了根据本发明一个实施例描述的支持多分屏的黑屏检测装置300的结构示意图。如图3所示，支持多分屏的黑屏检测装置300，可以包括：

边缘处理模块301，用于对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵。

分屏模块302，用于根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像。

检测模块303，用于对所述多个分屏图像中任一分屏图像进行灰度化检测和/或边缘检测；若所述灰度化检测的结果和/或所述边缘检测的结果符合条件，则确定所述分屏图像为异常图像。

可选的，检测模块303具体用于：获取所述分屏图像中像素值低于第一阈值的像素点，计算像素值低于第一阈值的像素点占所述分屏图像的总像素点的比值P；对所述多个分屏图像中任一分屏图像进行边缘检测，包括：获取所述分屏图像的边缘矩阵，获取所述分屏图像的边缘矩阵中边缘像素点数量，计算所述边缘像素点数量占所述分屏图像的总像素点数量的比值L；获取所述分屏图像包括的连通图数量，计算所述连通图数量占所述分屏图像的总像素点数量的比值K。

可选的，所述灰度化检测的结果符合条件包括：所述比值P大于灰度阈值；所述边缘检测的结果符合条件包括：所述比值L和所述比值K的加权求和结果小于第二阈值，所述第二阈值用于表征所述分屏图像的边缘和内部连通情况。所述灰度化检测的结果和所述边缘检测的结果符合条件包括：对所述比值L和所述比值K的加权求和结果、所述比值P进行处理后的结果小于黑屏阈值。

可选的，分屏模块302具体用于：根据预设比例的矩阵与所述边缘矩阵进行匹配；若所述预设比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述预设比例的矩阵对应图像为一个分屏图像；膨胀所述预设比例的矩阵至第一比例的矩阵，若所述第一比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述第一比例的矩阵对应图像为一个分屏图像。

可选的，所述多个分屏图像包括单分屏、双分屏、三分屏、四分屏和画中画中任一种。

可选的，边缘处理模块301具体用于：用Soble边缘检测方法对所述图像进行垂直边缘检测得到垂直边缘矩阵以及对图像进行水平边缘检测得到水平边缘矩阵；合成所述垂直边缘矩阵和所述水平边缘矩阵得到所述图像的边缘矩阵。

本发明提供的一种支持多分屏的黑屏检测装置，可以执行上述方法的实施例，其实现原理和技术效果类似，在此不再赘述。

图4为本发明实施例提供的一种电子设备的结构示意图。如图4所示，示出了适于用来实现本申请实施例的电子设备400的结构示意图。

如图4所示，电子设备400包括中央处理单元(CPU)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部分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，还存储有设备400操作所需的各种程序和数据。CPU 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。

以下部件连接至I/O接口405：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。

特别地，根据本公开的实施例，上文参考图1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，其包括有形地包含在机器可读介质上的计算机程序，计算机程序包含用于执行上述支持多分屏的黑屏检测方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。

附图中的流程图和框图，图示了按照本发明各种实施例的***、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，前述模块、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***来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本申请实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中。这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

上述实施例阐明的***、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、笔记本电脑、行动电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

作为另一方面，本申请还提供了一种存储介质，该存储介质可以是上述实施例中前述装置中所包含的存储介质；也可以是单独存在，未装配入设备中的存储介质。存储介质存储有一个或者一个以上程序，前述程序被一个或者一个以上的处理器用来执行描述于本申请的支持多分屏的黑屏检测方法。

存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于***实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (10)

1.一种支持多分屏的黑屏检测的方法，其特征在于，所述方法包括：

对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵；

根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像；

对所述多个分屏图像中任一分屏图像进行灰度化检测和/或边缘检测；

若所述灰度化检测的结果和/或所述边缘检测的结果符合条件，则确定所述分屏图像为异常图像。

2.根据权利要求1所述的方法，其特征在于，对所述多个分屏图像中任一分屏图像进行灰度化检测，包括：

获取所述分屏图像中像素值低于第一阈值的像素点，计算像素值低于第一阈值的像素点占所述分屏图像的总像素点的比值P；

对所述多个分屏图像中任一分屏图像进行边缘检测，包括：

获取所述分屏图像的边缘矩阵，获取所述分屏图像的边缘矩阵中边缘像素点数量，计算所述边缘像素点数量占所述分屏图像的总像素点数量的比值L；

获取所述分屏图像包括的连通图数量，计算所述连通图数量占所述分屏图像的总像素点数量的比值K。

3.根据权利要求2所述的方法，其特征在于，

所述灰度化检测的结果符合条件包括：所述比值P大于灰度阈值；

所述边缘检测的结果符合条件包括：所述比值L和所述比值K的加权求和结果小于第二阈值，所述第二阈值用于表征所述分屏图像的边缘和内部连通情况；

所述灰度化检测的结果和所述边缘检测的结果符合条件包括：对所述比值L和所述比值K的加权求和结果、所述比值P进行处理后的结果小于黑屏阈值。

4.根据权利要求3所述的方法，其特征在于，所述方法还包括：

利用数据训练方式得到所述第一阈值、所述灰度阈值、所述第二阈值、所述黑屏阈值。

5.根据权利要求1所述的方法，其特征在于，所述根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像，包括：

根据预设比例的矩阵与所述边缘矩阵进行匹配；

若所述预设比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述预设比例的矩阵对应图像为一个分屏图像；

膨胀所述预设比例的矩阵至第一比例的矩阵，若所述第一比例的矩阵与所述边缘矩阵重合、且重合的像素点的数量大于预设阈值，则确定所述图像中与所述第一比例的矩阵对应图像为一个分屏图像。

6.根据权利要求5所述的方法，其特征在于，

所述多个分屏图像包括单分屏、双分屏、三分屏、四分屏和画中画中任一种。

7.根据权利要求1所述的方法，其特征在于，所述对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵，包括：

用Soble边缘检测方法对所述图像进行垂直边缘检测得到垂直边缘矩阵以及对图像进行水平边缘检测得到水平边缘矩阵；

合成所述垂直边缘矩阵和所述水平边缘矩阵得到所述图像的边缘矩阵。

8.一种装置，其特征在于，所述装置包括：

边缘处理模块，用于对图像进行垂直边缘检测以及水平边缘检测，得到所述图像的边缘矩阵；

分屏模块，用于根据所述边缘矩阵对所述图像进行分屏处理得到多个分屏图像；

检测模块，用于对所述多个分屏图像中任一分屏图像进行灰度化检测和/或边缘检测；若所述灰度化检测的结果和/或所述边缘检测的结果符合条件，则确定所述分屏图像为异常图像。

9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一所述的支持多分屏的黑屏检测方法。

10.一种可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的支持多分屏的黑屏检测方法。

Images