1.1 背景
图像质量检测只能基于人工识别,测试手段和方法欠缺。AI 技术盛行,测试手段和方法也要与时俱进,做技术赋能。
1.2 测试目标和范围
1.2.1 测试目标
l 丰富图像质量检测的方法,多维度验证图像质量输出;
l 结合 AI 检测技术,实现自动化测试和 html 报告输出;
1.2.2 测试范围
测试类型 子项说明
图像质量 AI 测试 检测图像生成的质量评估、准确度;
1.3 图像质量指标维度和计算公式
2 测试策略和方法
2.1 图像质量 AI 测试
2.1.1 图像准确度 AI 检测
1.工具:ImageHash 算法
2.工作原理:将图像转换为固定长度的二进制哈希值(指纹),利用汉明距离衡量哈希值的差异,从而判断图像的相似性;
3.算法步骤:
1)图像预处理
调整尺寸:将图像统一缩放到固定尺寸(如 8×8 像素),减少计算量并忽略细节差异。
简化颜色:将彩色图像转为灰度图,消除颜色对相似性判断的干扰。
2)生成哈希值
计算特征:根据特定算法(如均值、感知哈希等)提取图像的关键特征。
二值化:将特征转换为二进制哈希值(例如 10101010),形成唯一的 “指纹”。
3)相似性比较
通过计算两个哈希值的汉明距离(Hamming Distance,即不同位的数量)判断相似度:
汉明距离越小,图像越相似(例如距离≤5 表示高度相似)。
4.自动化测试脚本:
2.1.2 图像质量&纹理质量 AI 检测
1.工具:opencv
2.工作原理:见指标维度表
3.算法步骤:
层模块化处理,去噪、增强、分割(服装图像质量评分)
输入:读取图像/视频(文件、摄像头或内存数据),转换为统一的 Mat 格式。
预处理:调整尺寸、滤波去噪(如高斯模糊)、颜色空间转换(BGR 转灰度)。
算法处理:调用具体模块(如目标检测、特征匹配)执行计算,例如:
目标检测:Haar 级联通过滑动窗口和分类器识别物体。
特征提取:ORB 算法检测关键点并生成二进制描述子。
输出:显示结果(imshow)、保存文件或传递给其他系统(如深度学习模型推理)。
4.自动化测试脚本:
算法 1:
算法 2:
2.1.3 图像清晰度 AI 检测
1.工具:opencv+ScikitImage
2.工作原理:通过计算图像中相邻像素的灰度差平方和来衡量图像清晰度,通过两张图像的局部方差和协方差计算。
3.算法步骤:
Brenner 梯度属于梯度法的一种,通过计算图像中相邻像素的灰度差平方和来衡量图像清晰度。
对比度通过两张图像的局部方差和协方差计算,假设图像块服从高斯分布,认为对比度相似的图像块具有相近的方差。
4.自动化测试脚本:
2.2 图像质量 AI 测试报告
1.测试概要:
1.1 整体检测图片总数、通过总数、不通过总数(根据测试结果进行判断)
1.2 AI 准确度检测(ImageHash 算法)检测图片总数、通过总数、不通过总数(根据测试结果进行判断)
1.3 AI 图像质量检测(opencv 算法 1)检测图片总数、通过总数、不通过总数(根据测试结果进行判断)
1.4 AI 图像纹理质量检测(opencv 算法 2)检测图片总数、通过总数、不通过总数(根据测试结果进行判断)
1.5 AI 清晰度综合检测(Opencv 算法 3+ScikitImage 算法)检测图片总数、通过总数、不通过总数(根据测试结果进行判断)
1.6 报告明细数据列表:
7 测试执行流程
数据准备:收集不同风格品类的服装图片、不同元素及标签。
配置路径、算法阙值:需要配置本地文件夹读取路径、各个 AI 算法模型的质量计算阙值。
AI 自动化测试:遍历所有图像数据,计算质量分。
整体图像质量 AI 检测报告:输出一份集成报告,统计图像测试通过情况和明细数据展示。