目前视频质量得评价算法主要有2种,主观评价法与客观评价法
视频质量评价算法研究
视频质量评价算法研究随着互联网时代的到来，视频成为了我们日常生活中不可或缺的一部分。
然而，视频播放的流畅度和画质却不时出现问题，特别是在网络不稳定的情况下。
如何评价视频质量，提高视频播放的流畅度和画质成为了亟待解决的问题。
本文将围绕着视频质量评价算法进行研究探讨。
一、视频质量评价算法综述视频质量评价算法是通过对视频画面进行比较，判断不同画面的差异，从而对视频质量进行评价的一种方法。
随着技术的不断进步，视频质量评价算法也不断发展和完善。
主要的评价方法包括主观评价、客观评价和混合评价。
1、主观评价主观评价是指将视频质量评价交由人类进行判断和决策。
这种方法以主观的感受为基础，通过调查问卷和专家评分等方式得出最终结果。
主观评价的优点在于能够考虑到人类主观感受因素，但是其结果往往不够客观，易受评价者个体差异和心理因素等影响。
2、客观评价客观评价是使用计算机算法对视频质量进行评价。
常用的评价指标包括PSNR、SSIM、VQM等。
其中PSNR（Peak Signal-to-Noise Ratio）是评估峰值信噪比，SSIM（Structural Similarity Index）是结构相似性指数，VQM（Video Quality Metric）是视频质量度量。
客观评价的优点在于结果可以客观准确，但是其评价指标较为单一，未能全面考虑视频质量的多个方面。
3、混合评价混合评价是将主观评价和客观评价结合起来，使用多种评价方法综合评价视频质量。
这种方法能够综合考虑视频质量的多个方面，但是其结果容易受到主观评价的影响，需要更多的评价数据和评价指标的参与。
二、视频质量评价算法的实现方法为了实现视频质量评价算法，常用的实现方法包括基于传统的图像处理技术和深度学习技术两种方法。
1、基于传统的图像处理技术基于传统的图像处理技术主要是通过提取视频画面的特征，然后通过计算不同特征之间的差异，从而实现视频质量的评价。
具体实现方法包括直方图均衡化、滤波器等传统的图像处理方法。
video quality 取值范围 -回复
video quality 取值范围-回复在计算机图像和视频处理中，视频质量是指视频在播放或传输过程中的清晰度和精确度。
视频质量的评估是对视频编码、传输和显示过程的效果进行判断，并对其进行比较和分析。
在这个主题下，我们将探讨视频质量的取值范围、如何评估视频质量以及一些提升视频质量的方法。
视频质量的取值范围因评估方法而异。
在视频编码标准中，常见的有主观评估和客观评估两种方法。
主观评估是通过人工观察和判断视频质量，以主观感受为依据进行评估，常用的评估指标有主观图像质量评估（Subjective Video Quality Assessment，简称SVQA）和主观音频质量评估（Subjective Audio Quality Assessment，简称SAQA）。
客观评估是通过使用特定的算法和指标进行评估，不受个体主观感受的影响，常用的评估指标有PSNR（Peak Signal-to-Noise Ratio，峰值信噪比）和SSIM（Structural Similarity Index，结构相似性指数）等。
主观评估方法的取值范围通常是由观察者主观感受来确定的，例如“优秀”、“良好”、“一般”、“较差”等。
这种评估方法的优点是能够模拟人类观察者的真实感受和判断，能够更好地反映视频的真实效果，但它也存在一些问题，比如评估结果受到主观因素的影响，评估结果的一致性较差等。
客观评估方法的取值范围通常是由指标算法计算得出的分数。
以PSNR为例，它是一种常用的评估视频质量的指标，其计算结果是根据原始图像和重构图像的像素之间的差异来确定的。
PSNR的取值范围通常在0到无穷大之间，取值越大表示视频质量越好。
然而，PSNR也有其限制，它不能准确地反映人眼对图像质量的感知，对于更高质量的视频编码算法来说，PSNR并不是一个理想的评估指标。
除了评估视频质量的方法和取值范围，我们还可以思考如何提升视频质量。
以下是一些常用的提升视频质量的方法：1. 提高视频分辨率：增加视频分辨率可以提高视频的清晰度和细节展示，但同时也会增加存储和传输的要求。
基于视觉感知的视频质量评估算法研究
基于视觉感知的视频质量评估算法研究随着网络视频的不断普及，视频质量评估算法也成为了研究的热点之一。
传统的视频质量评估方法通常基于视频的物理参数来评估，比如分辨率、比特率等，但是这些参数并不能完全反映用户对视频质量的感知。
因此，基于视觉感知的视频质量评估算法应运而生。
一、视觉感知与视频质量视觉感知是指人眼对于视觉信息的理解和感知能力，它是影响视频质量评估的关键因素。
视觉感知过程通常包括预处理、特征提取、注意力分配、认知决策和反馈等多个阶段。
在视频质量评估中，我们需要了解用户的视觉感知，以此为基础来评估视频的质量。
二、基于视觉感知的视频质量评估算法1. 主观评价法主观评价法是一种通过用户参与来评估视频质量的方法。
该方法通常需要在实验室环境下，让用户观看视频并进行评分。
这种方法虽然可以较为准确地反映用户的实际感受，但是需要大量的时间和资源，并且评价结果可能会受到个体差异的影响。
2. 客观评价法客观评价法是一种通过计算机算法来评估视频质量的方法。
该方法通常使用模型来模拟用户的视觉感知，通过计算视频各项特征指标来进行评估。
客观评价法的优点是可以快速且大规模地进行评估，且结果比较稳定，但是其评价准确性还需要进一步提高。
3. 混合评价法混合评价法是将主观评价法和客观评价法相结合的方法。
该方法通常使用主观评价法得到一部分评价结果，并利用客观评价法得到另一部分评价结果，再将两部分结果进行整合。
混合评价法结合了两种方法的优点，可以较为准确地反映用户实际感受。
三、基于视觉感知的视频质量评估算法的应用基于视觉感知的视频质量评估算法在实际应用中已经得到了广泛的应用，比如视频压缩、网络传输、视频监控等领域。
视频压缩可以将视频信号压缩到较小的数据流中，以减少存储和传输成本。
基于视觉感知的视频质量评估算法可以帮助评估压缩后的视频质量，以此来优化视频压缩算法。
在网络传输中，视频质量可能会受到网络状况的影响，基于视觉感知的视频质量评估算法可以根据网络传输状况来动态调整视频质量，以提供更好的用户体验。
浅谈视频质量英迈吉客观测评
浅谈视频质量客观测评目前，视频质量测评方法主要包括主观测试和客观测试。
主观质量评价就是选择一批非专家类型的受测者，让他们在一个特定的受控环境中，连续观看一系列的测试序列大约10至30分钟，然后采用不同方法让他们对视频序列的质量进行评分，最后求得平均意见分(Mean Opinion Score ，MOS)，并对所得数据进行分析。
但是，这样的测试方式不可避免会受到人为因素的干扰。
而且，从工程管理的角度来看，主观测评耗时长、成本高。
因此，基于PSNR （峰值信噪比） 和MSE （均方误差）等客观评价方法仍然因其低复杂度和简单清楚的物理意义而广泛地应用在视频评价领域。
下面，就由英迈吉影像质量评测实验室为大家详细讲解一下吧。
PSNR （Peak Signal to Noise Ratio ）测试方式是通过计算参考和测试图像之间的峰值信噪比来确定视频处理系统的优劣。
其计算公式为：N M f f m i n j ij ij ⨯-=∑∑≤≤≤≤200')(MES()⎪⎪⎭⎫ ⎝⎛-=MSE n 21012log 10PSNR 其中，MSE （Mean Square Error ）指是原图像与处理图像之间均方误差，ij f 和'f ij 分别代表原始参考视频对应帧和失真视频对应帧，M,N 分别表示视频帧的高和宽。
PSNR 本质上与MSE 相同，是MSE 的对数表示。
PSNR 值越大，就代表失真越少。
基于噪声的客观测试模型原理PSNR 计算起来简单、快捷，实现起来较容易，而且对于检测视频处理硬件及软件具有很好的帮助作用，但其测试结果与人眼的主观感受相差较大，目前只是作为视频处理系统设计开发过程中的一个参考值，不能作为视频处理系统的评价标准。
因此有多个机构提出了与主观评价结果一致性较好的客观评价算法，如美国国家电信和信息管理局（NTIA ）提出的视频质量度量（VQM ）算法及其模型、英国电信BT 提出的全参考视频质量模型及其算法（BTFR ）、巴西电信发展研究中心（CPqD ）提出的基于分段的图像评价（IES ）算法，以及泰克公司和Sarnoff 公司提供的PQR 算法等，这些客观算法都是在模拟人眼视觉模型的基础上建立的。
多媒体时序视频质量分析及其算法研究
多媒体时序视频质量分析及其算法研究1.多媒体时序视频质量分析的重要性：随着视频的广泛应用，人们对视频质量的要求也越来越高。
多媒体时序视频质量分析可以对视频的一系列质量特征进行评估，例如失真、模糊、噪声等，从而为视频质量提升提供依据。
此外，多媒体时序视频质量分析也有助于优化视频编码、传输和播放等环节，提升用户的观看体验。
2.多媒体时序视频质量分析的方法：多媒体时序视频质量分析可以使用主观评估和客观评估两种方法。
主观评估是通过人工观看视频并进行评分的方式，一般采用PSNR（峰值信噪比）和SSIM（结构相似性）等指标进行评估。
客观评估则是通过使用计算机算法自动分析视频质量，常用的方法包括图像质量评估指标（如PSNR、SSIM、VIF、FSIM等）、视频质量评估指标（如VQM、VMAF、MS-SSIM等）以及深度学习方法（如卷积神经网络）等。
3.多媒体时序视频质量分析的算法研究：-图像质量评估算法：图像质量评估是多媒体时序视频质量分析的基础，常用的算法包括基于像素的比较算法（如MSE、PSNR）、结构相似性算法（如SSIM）和感知视觉质量算法（如VDP、VSI等）。
-视频质量评估算法：视频质量评估算法需要考虑时序信息，一般采用空间域和时序域相结合的方法。
例如，可以对视频的每一帧进行图像质量评估，并考虑帧与帧之间的时序关系，综合得到视频的质量评分。
-深度学习方法：深度学习方法在多媒体时序视频质量分析中得到广泛应用，通过构建卷积神经网络（CNN）等深度学习模型，可以从大量的视频数据中学习出视频质量评估的特征，并进行快速准确的质量评估。
4.多媒体时序视频质量分析的挑战：多媒体时序视频质量分析面临一些挑战，例如视频内容的多样性、环境条件的变化以及人的主观差异等。
此外，现有的评估指标和算法还存在一定的局限性，无法完全准确地评估视频质量。
因此，对于时序视频质量分析的算法研究还需要进一步提升精度和稳定性。
总结起来，多媒体时序视频质量分析及其算法研究是一个重要的研究方向。
视频编解码技术的性能评估方法(系列十)
视频编解码技术的性能评估方法引言随着数字化时代的到来，视频在我们的日常生活中扮演着越来越重要的角色。
家庭影院、在线视频平台、视频会议等应用无处不在。
在视频的传输和存储过程中，编解码技术起着至关重要的作用。
然而，如何评估视频编解码技术的性能却是一个复杂而关键的问题。
本文将探讨一些常用的视频编解码性能评估方法，以及它们的优缺点。
一、主观评估方法主观评估方法是一种通过人眼观察和主观感受来评估视频质量的方法。
通常，通过为一组人员展示不同质量的视频，并让他们评价其质量。
这种方法的优势在于具有直观性和人类感知的准确性。
然而，它的局限性在于需要花费大量的时间和资源，且易受测试者主观因素的影响。
二、客观评估方法客观评估方法是一种基于计算机算法和数学模型来评估视频质量的方法。
常用的客观评估方法包括峰值信噪比（PSNR）、结构相似性（SSIM）、视频多参考质量评价（VMAF）等。
这些方法通过对原始和编码后的视频进行像素级别的比较，计算相似性指标，从而评估视频的质量。
客观评估方法具有高效、可重复性和低成本的优势，但其准确性受到算法选择和特定应用场景的限制。
三、视频内容分析评估方法视频内容分析评估方法是一种基于视频内容的质量评估方法。
它通过分析视频中的关键信息和特征来评估视频质量。
例如，对于视频压缩算法的评估，可以通过分析视频中的运动活动和边缘信息来评估压缩质量。
此外，视频内容分析评估方法还可以用于视频编解码算法的优化和改进，以提高视频质量。
然而，这种方法的局限性在于需要对视频的内容有深入的了解，并对特定的视频应用场景进行分析。
四、性能评估综合方法综合以上方法，可以得出一种较为全面的视频编解码技术性能评估方法。
在该方法中，主观评估方法可以用来评估视频的主观感受，客观评估方法可以用来计算视频的客观质量指标，而视频内容分析评估方法可以用来提供关于视频内容的额外信息。
通过综合这些评估结果，可以得出对视频编解码技术性能的准确评估。
视频图像质量评估算法的研究与应用
视频图像质量评估算法的研究与应用随着互联网和数字媒体的发展，视频图像的质量评估越来越受到重视。
视频图像质量是指对视频图像的主要视觉特征，如清晰度、亮度、对比度和色彩等进行客观和主观评价的过程。
准确评估视频图像质量对于视频的采集、传输和显示具有重要意义，因此，研究和应用视频图像质量评估算法变得至关重要。
一、视频图像质量评估算法的研究进展1. 主观评价方法主观评价方法是通过人的视觉感知对视频图像的质量进行评估。
这种方法需要大量的被试者参与实验，通过对他们的问卷调查和主观评价结果统计来对视频图像质量进行评估。
虽然主观评价方法具有较高的准确性，但其过程复杂、耗时且受到被试者主观因素的影响。
2. 客观评价方法客观评价方法通过计算机算法对视频图像的特征进行分析来评估视频图像质量。
这种方法不受人为主观因素的影响，能够快速、可靠地评估视频图像的质量。
其中，基于图像处理的客观评价方法是应用最广泛的方法之一。
它通过对视频图像的特征提取、边缘检测、对比度调整等处理来分析和评估视频图像的质量。
二、视频图像质量评估算法的应用领域1. 视频采集和传输视频采集和传输是指在摄像机或其他设备上采集视频，并通过网络传输到目标终端。
在这个过程中，视频图像质量评估算法可以帮助实时监测视频质量，及时发现并解决传输过程中的问题，确保视频图像的清晰度和稳定性。
2. 视频编辑和后期制作视频编辑和后期制作是指在视频制作过程中对拍摄的素材进行剪辑、特效添加等处理，最终形成一个完整的视频作品。
视频图像质量评估算法可以帮助编辑人员评估和选择素材的质量，从而提高视频制作过程的效率和质量。
3. 视频播放和显示视频播放和显示是指将制作好的视频通过播放设备在屏幕上呈现给观众。
视频图像质量评估算法可以帮助播放设备进行实时的图像质量监测和优化，从而提供更好的观看体验。
4. 视频监控和安防视频监控和安防是指通过视频摄像头等设备对特定区域进行实时监控和录像，以保障安全和管理。
视频编码技术中的视觉质量评估方法(八)
视频编码技术中的视觉质量评估方法引言当今社会，视频已经成为人们生活中不可或缺的一部分。
随着视频内容的不断增多和视频质量的不断提高，视频编码技术的发展也变得尤为重要。
然而，如何准确评估视频的视觉质量成为了一个具有挑战性的问题。
本文将探讨视频编码技术中的视觉质量评估方法。
1. 主观评估方法主观评估方法是衡量视频视觉质量的常用方法之一。
这种方法通常通过请人观看视频并根据其主观感受进行评分来进行。
观众通常被要求根据视频的清晰度、颜色饱和度、运动流畅度等方面进行评估。
然而，这种方法存在人为主观评价的问题，不同观众对同一视频可能有不同的感受，导致评估结果的不确定性。
2. 客观评估方法为了克服主观评估方法的不足，研究人员发展了一些客观评估方法来准确评估视频的视觉质量。
客观评估方法是基于计算机算法来分析视频内容并给予评分的。
其中一种常见的方法是结构相似性算法（Structural Similarity, SSIM），通过比较原始视频帧和重建视频帧的结构相似性来确定视觉质量。
这种方法可以提供较为准确的结果，但对于一些特殊情况（例如复杂场景、运动快速的视频等）可能表现不佳。
3. 混合评估方法为了综合利用主观评估方法和客观评估方法的优点，研究人员提出了一种混合评估方法。
这种方法将主观评估方法与客观评估方法结合起来，通过计算主观评估结果与客观评估结果的相关性来得出最终的视觉质量评分。
混合评估方法相对于单一的评估方法更加准确，可以更好地反映出视频的视觉质量。
4. 未来的发展方向随着人工智能技术的发展，视频编码技术中的视觉质量评估方法也将不断完善。
通过利用深度学习算法，可以使评估方法更加准确和智能化。
此外，随着虚拟现实和增强现实技术的兴起，视觉质量评估方法也需要适应这些新兴技术的发展。
结论视觉质量评估是视频编码技术中的一个重要问题。
主观评估方法、客观评估方法和混合评估方法在视觉质量评估中都发挥了重要作用。
然而，这些方法仍然存在一定的局限性，需要不断完善和突破。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
目前视频质量得评价算法主要有2种,主观评价法与客观评价法。
根据各算法所引用得源素材多少,可把视频质量客观评价分为3类:全参考评价体系、部分参考评价体系、无参考评价体系。
全参考评价体系:要求占有完整得源素材信息,就是目前客观评价3大体系中发展较为成熟得部分,其现状代表当前客观评价技术得最高水平。
1、基于全像素失真统计得评价方法:以统计理论为基础,逐帧、逐像素比较参考源与测试源得数据差异。
通过获得原数据与待测数据间得总体误码累计,体现像素噪声层面上得绝对误码率,从而反映视频质量。
该类评价方法能敏感捕获两端视频在像素层面上得细微失真,具有很高得敏感性。
此为,其数学方法简单,物理含义清晰,就是目前应用最广泛得评价方法。
但它们都就是从整体上反映原始图像与恢复图像像素层面上得差别,其评价机制无法体现出视频图像数据所承载得不同于一般数据得内容信息,常造成评价结果与主观感受相偏离,并不能较好满足客观评价得应用需求。
该类评价方法得主要代表有:PSNR与MSE等。
其中,与,分别为原始与重建图像中对应得像素值,N2为N×N图像得总像素数。
其中MN为图像大小,与分别代表原始图像与失真图像在点(m,n)处得像素值。
图为PSNR模型进行客观评价得程序流程图。
2.基于人眼视觉系统(HVS)得评价方法。
人眼自身得“生理特点”与人关注内容得“心理特点”都对绝对误码效果产生不同程度得掩蔽效果,使得图像质量好坏得理解并不仅仅依赖绝对误码损耗。
当前,基于HVS得评价方法主要可划分成以下2类主流算法模型:“基于视觉感知得算法模型”与“基于视觉兴趣加权得算法模型”。
2、1 基于视觉感知得算法模型。
人眼“生理特性”主要有:视觉非线性(Weber定律)、视觉灵敏度差异、视觉多通道与掩盖效应等。
利用这些特性,通过模拟视觉感知,将绝对差值映射成能被人眼觉察得JND(Just noticeable difference)单位。
如差错高于视觉得敏感门限,则表示所产生得绝对误码可被察觉;否则差错不足以引起人眼感知,可忽略不计。
当前得视觉感知算法则需综合多方面视觉感知能力,如根据所研究视频图像得特点(静止或运动、黑白或彩色等)模拟人眼对(空、时、色域等得)各种失真总体上得差错感知能力。
Teo等针对视觉掩蔽现象得神经系统响应进行增益控制模拟,仿生HVS得视觉感知机制,其结构如图A所示。
在输入端,被提取得源图像与参考图像得亮度分量经过后续时域滤波器处理,模拟人眼对连续序列得响应。
研究表明HVS得时域响应机制既有瞬态(带通)得,也有稳态(低通)得。
总而言之,基于HVS视觉感知得算法模型因综合模拟了人眼得各项特性,具有较好得评价结果,但其算法实现相对复杂,运算量较大而难以实际应用。
此外,目前对HVS机制得认知有限,算法模型不能对所有场景都具有较好得主观相似性"仍需继续深入研究。
2、2 基于视觉兴趣加权得算法模型。
目前,人眼感兴趣区域(Region of Interest,ROI)判别思路主要有:域变换(小波或DCT)及边缘滤波两种思路。
域变换(小波或DCT)后所得得子带与HVS兴趣特性非常近似,可根据特点对较重要得域失真给以大得加权系数体现;边缘滤波(如Sobel等)可有效提取人眼较敏感得区域信息,通过合理选择滤波得阈值门限,亦可达到兴趣区得有效划分。
权值大小选择则需根据实测修正,不断总结并选择合适得经验权。
总体上瞧,基于ROI加权得算法模型在如何合理划分兴趣域及如何调整权值等得关键技术上还有待进一步研究。
2、3 基于图像理解与模糊处理得评价方法。
应用图像理解技术,先对视频图像进行分层或分割预处理;其后提取待测序列中相关得客观特征参数,并根据模糊处理理论选择事先存放于场景库中合适得特征参数比对归类;最后,用场景中得先验加权值修正待测序列得拟与系数,推导评价分。
其主要代表模型有两类:分层模型与分割模型。
分层算法模型主要如Hamada等提出得三层噪声分层算法,该算法模型认为人对图像理解不就是一次性瞧清,而只就是瞧到其中注视点附近得一个点域,并依赖这个点附近一些混在纹理结构中噪声得程度与特点,来识别这个点域得纹理结构与质量,由此,把图像划分成噪声层、纹理层与目标层,针对每个层特点进行加权修正;分割算法模型主要有Pessoa等提出得分割算法模型,它把图像按其表达得内容,分割成平坦区、纹理区、边缘区,为每个区计算一套客观参数,然后把客观参数映射到已得到得主观评价结果得相关场景库中,最后推演出测试序列得分数。
部分参考评价体系:部分参考客观评价体系则不需要完整得源视频,而就是先提取能体现“源视频”性质得“源视频特征”,并把它与“视频数据”一起传输,在接收端再将它们分离,按相同得方法从“宿视频数据”中提取“宿视频特征”,并与接收到得“源视频特征”比对,找出差异。
获得视频传输得劣化质量,其参考结构框图见图部分参考评价体系除了传输视频文件本身得信息外,还需通过“RR特征信道链路”,传输“源视频特征。
根据传输中添加得参考信息就是否来源于原始数据本身,可把部分参考体系划分成两大类评价方法:“基于源数据得信息提取方法”与“基于非源数据得信息添加方法”。
1、基于原数据得信息提取方法。
该方法主要通过提取视频源本身得特征信息作为质量评价依据。
特征提取方法主要包含了2种类型:非期望特征提取算法与期望特征提取算法。
非期望特征主要指反映视频损伤程度得特征,常用方块效应、图像模糊、色度失真、边缘忙乱、图像拖尾、蚊虫效应、图像停顿与图像抖动等表示。
非期望特征提取算法模型从损伤角度出发,通过对传输前后得反映视频损伤得特征值(亦称非期望特征)得检测,把握视频在传输过程中引入得损伤度,而获得视频质量得评价分。
期望特征主要指反映视频固有特性得特征,主要分为:频域、空域、时域、色域与结构等特征。
期望特征提取算法模型从视频组成得固有特征角度人手,通过传输前后这些固有特征得差别,区分其视频质量。
目前主要通过亮度、对比度、结构失真3个独立特征信息,综合反映质量。
此外,还有一些为某类应用场合设计得专用特征信息,如DCT域特征提取,小波域特征提取,针对块状效应与边缘模糊得特征提取等。
基于特征提取得评价法原始视频在进入编码器与传输通道前进行特征提取,将能够反映视频质量得特征参数提取出来,通过补充信道发送到接收端。
在接收端,解码器输出得视频信号也进行同样得特征提取,得到接收端得视频质量特征参数。
将两份特征数据进行比较运算,可得到接收端得视频质量。
特征提取过程以HVS为基础,抽取对主观视频影响最大得空间信息特征(SI)、时间信息特征(TI)作为视频质量特征参数。
SI特征代表了图像边缘或空间梯度得活动性。
利用SI特征可对数字视频信号中得诸如模糊、块效应、边缘忙乱等损伤进行检测与定量描述。
1'I特征代表了连续帧之问得差别变化或时间梯度得活动性。
利用TI特征可对数字视频信号中诸如抖动、量化噪声、错误像块等损伤进行检测与定量描述。
基于特征提取得评价方法在测量时不需要提供完整得视频源,由于提取特征数据量少,占用带宽不大,因此可将其与经过编码得图像一起传送,或者用一个窄带得补充信道传输,可实现在线服务情况下得质量测量。
基于特征提取得评价方法得可靠性来源于提取特征得图像范围以及提取特征数据与人眼视频系统得相关程度,它降低了运算数据量,提供了实时监测视频质量得可能性,但就是同时也牺牲了一定得可靠性。
2 基于非原数据得信息添加方法(基于数字水印得部分参考视频质量评估)。
在发送端(或编码端)添加非原始图像数据得额外信息,在接收端则通过分析这些信息得损耗程度,侧面反映视频图像质量。
在发送端(或编码端)添加非原始图像数据得额外信息,在接收端则通过分析这些信息得损耗程度,侧面反映视频图像质量。
根据添加信息得特点,可分成无意义信息添加与有意义信息添加2类算法模型。
①无意义信息添加算法主要通过伪随机数等数据作为添加物,并不反映具体内容与意义。
如把随机序列作为标志序列添加于图像上,在接收端通过检测标志物得误码率,从侧面估计视频传输质量。
②有意义信息添加算法主要通过数字水印技术,将含有具体内容得水印图案添加到视频序列中,通过检测水印图案得劣化程度,了解信道对视频数据得损伤情况数字水印就是利用多媒体数据(如音频、图像、视频)中存在得冗余度与人得视觉特性,在多媒体数据中添加某些标记信息,以达到版权保护目得得一种技术。
从视频处理得角度上讲,嵌入水印可以视为在强背景(原始图像)下叠加一个弱信号(水印)。
由于人类视觉系统得分辨率有限,只要叠加信号产生得失真幅度低于视觉系统得对比度门限,人就无法感觉到水印得存在,从而实现了信息隐藏。
基于数字水印视频质量评估得算法川一般包括水印嵌入、水印媒体传输、水印提取与质量评估4个过程,原理框图如图三所示。
原始媒体嵌入水印后在传输过程中最容易失真,可能发生数据丢失或叠加了噪声,接受端从有损得媒体中提取出水印信号,与参考水印比较,就可得到媒体传输质量得评价。
可以瞧出,原数据信息添加方法能根据具体得内容进行特征提取,特征信息与数据内容具有较好得对应性与时效性,但其特征信息随视频数据内容改变而不同,较难用统一得拟合调整策略将特征差异映射为评价等级分;而非原数据得信息添加方法克服了原数据提取特征信息易变得问题,可事先对已知得添加内容进行研究,通过实现得训练策略,建立损耗程度与主观评分间得映射关系,因此,可把基于视频内容得各异特征参量归一化成事先已知得特征参量形式(如某类水印图案等),能很好地利用已建映射关系准确了解添加图像得劣化程度,从而把握视频/图像得传输质量,但设计稳健、通用、不易造成附加噪声得添加信息就是该方法得主要难点。
3 基于结构相似性得质量评价方法Z.Wang等提出得结构相似质量度量法(SSIM),通过亮度、对比度、结构失真3个独立特征信息综合反映视频质量,其基本框图见图所示假设原始图像为X,评价图像为Y。
首先,分别提取原始与评价图像得亮度变化信息,后提取图像得对比度变化信息,再提取图像得结构变化信息,对以上提取得三种变化进行相似性比较,最后对其比较结果进行综合,得到一种相似性度量指标,以此作为图像质量好坏得评价尺度。
SSIM法得依据就是HVS高度适合于提驭视觉场景中得结构信息,使测量结构信息得改变与感知图像质量得变化非常接近,该方法与主观评价结果得～致性好。
但不一定完全与主观评价一致,也有可能存在两个信号对同一个原始信号具有相同得结构相似值,而这两个信号得主观质量仍有差别。
不同分辨力得图像质量评价算法对于2个不同分辨力得视频图像进行质量测量时。
一般可以采用2种方法:1)直接对2种视频序列进行特征提取.然后通过对特征参数得统计分析来测量视频图像质量;2)先将2种视频序列调整成相同得分辨力,然后再进行质量评价。