CN101695141A - 一种视频质量评估方法和装置 - Google Patents
一种视频质量评估方法和装置 Download PDFInfo
- Publication number
- CN101695141A CN101695141A CN200910153571A CN200910153571A CN101695141A CN 101695141 A CN101695141 A CN 101695141A CN 200910153571 A CN200910153571 A CN 200910153571A CN 200910153571 A CN200910153571 A CN 200910153571A CN 101695141 A CN101695141 A CN 101695141A
- Authority
- CN
- China
- Prior art keywords
- space domain
- video sequence
- domain distortion
- subjective
- distortion
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000001303 quality assessment method Methods 0.000 claims description 32
- 238000013441 quality evaluation Methods 0.000 claims description 19
- 230000000007 visual effect Effects 0.000 claims description 17
- 230000008447 perception Effects 0.000 claims description 15
- 238000003672 processing method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 5
- 230000000873 masking effect Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000008825 perceptual sensitivity Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种视频质量评估方法和装置。所述视频质量评估方法包括:由被测视频序列相对于参考视频序列的客观空间域失真,获得主观空间域失真;由所述的主观空间域失真,获得主观时间域变化,根据所述主观时间域变化来评估视频质量。所述视频质量评估装置包括主观空间域失真生成模块、主观时间域变化生成模块和视频质量生成模块。本发明的视频质量评估结果与主观视频质量评估方法的评估结果具有较高的相关性。
Description
技术领域
本发明涉及多媒体通信领域,具体涉及一种对视频质量进行处理的方法。
背景技术
目前,多媒体技术日新月异,各类视频处理技术快速发展,人们对高质量视频的需求也日益高涨。视频质量评估技术,作为各类视频处理技术优劣的判定准则,其重要性也日渐突显。
视频质量评估在视频压缩、增强处理、通信等领域有着重要的作用,它起到了鉴定和评判各类视频处理技术的作用。例如,对不同视频编码策略下得到的压缩重建视频进行质量评估,可以比较各编码策略引入的失真程度,从而辅助选择出最优的编码策略。
视频质量评估主要可分为主观质量评估和客观质量评估两大类。
主观质量评估要求有大量人员参加,并且在严格的测试环境当中得到各测试人员对各被测视频序列的主观打分。常用的测试方法有ITU-R BT.500-11测试方法。主观质量评估需要大量的人才和时间,并且过程复杂,成本较高。
客观质量评估采用定量的方法测量视频图像的某些失真特征,如空间域客观失真的能量和结构失真程度等。客观质量评估方法由处理器自动计算实现,无需人工参与,效率高,评估时间短,结果不具有时变性。但其存在的主要问题是其评估结果不能与主观打分的结果高度一致。
因此,一种执行效率高,评估结果和主观打分结果高度线性相关的客观质量评估方法具有很高的应用价值。
客观质量评估方法主要有三类:全参考模型(Full Reference Model),需要与测试序列对应的原始序列;半参考模型(Partial Reference Model),只需要原始序列的部分统计特征量;无参考模型(Referenceless Model),不需要原始序列。
在视频压缩编码、视频增强处理等领域基于全参考模型的客观质量评估方法有着广泛的应用,最常用的就是峰值信噪比(PSNR,Peak Signal-to-NoiseRatio)。被测视频序列由参考视频序列处理得到,通常认为两者间具有如下关系:被测视频序列相当于参考视频序列叠加上由处理引起的空间域失真。PSNR统计被测视频序列中所有空间域失真的能量,在评估较高质量视频序列质量时往往能够和人的主观打分具有较高的线性相关性,但对评估较低质量视频序列质量时性能较差。
视频的空间域失真中的一部分失真在时间域上表现出较严重的动态变化,引起闪烁、纹理抖动等现象,人眼对这些动态变化的空间域噪声比静态不变的空间域噪声更为敏感。当测试序列中存在动态变化的空间域噪声时,主观质量主要由这些动态变化的空间域失真的程度决定。这些动态变化的空间域失真仅为总的空间域失真的一部分,所以PSNR对导致主观质量下降的主要噪声的统计灵敏度较差,以至其判定准确性在某些情况下表现欠佳。
其它的一些著名的基于全参考模型的客观质量评估方法,例如结构相似度(SSIM,Structural SIMilarity),虽然通过不同的失真特征量来衡量视频质量,但是也往往只是对被测视频序列中每一帧进行单独评估,再对所有帧评估结果求加权平均数,而忽视了视频序列帧与帧之间时间域上失真的动态变化引起的额外的主观质量下降。所以,动态变化的空间域失真是视频质量的一个重要特征量,但往往被忽视了。
同时,客观质量评估方法中也应该加入一些人眼视觉特性,以使得其评估结果更接近人眼的主观感受。常用到的人眼视觉特性有如下几个方面:
1、空间域失真可感知阈值,即人眼只能感知到失真强于一定程度的空间域失真。空间域失真可感知阈值受到多种因素的影响,如空间域失真所在区域的背景亮度、纹理强度等。目前,已有许多学者提出了多种JND(Just NoticeableDifference)模型,用来描述背景亮度、纹理强度等因素和空间域失真可感知阈值之间的映射关系。
2、空间域失真感知饱合现象,即人眼对强于一定程度的空间域失真的感知灵敏度下降,这个阈值被称为空间域失真感知饱合阈值。有研究表明,人眼对自然图像上由白噪声滤波得到的噪声的感知能力在原始白噪声方差大于30的时候呈现饱合趋势。
3、纹理掩蔽效应,即人眼对不同纹理区域上相同能量的失真的感知是不同的。所有纹理可以大致划分为平坦区(PLAIN)、边缘区(EDGE)和纹理区(TEXTURE)等三种类型。总的来说,平坦区上的失真最容易被感知,边缘区上的失真其次,纹理区上的失真最难被感知。相应的,对三类纹理区域的失真变化的感知也有类似关系。
纹理分类的方法非常多,其中的一种分类方法是将8×8块的纹理区域进行离散余弦变换(DCT),将变换系数依照不同的频谱结构划分为低频系数、中低系数和高频系数三类,分析这三类系数的绝对值和相对比例,最终将纹理图像划分为平坦区、边缘区和纹理区等三类区域。
4、失真强度动态变化的失真较失真强度静态不变的失真更容易被人眼察觉。
发明内容
为克服现有技术的上述缺陷,本发明的目的在于提供一种视频质量评估方法,它包括:由被测视频序列相对于参考视频序列的客观空间域失真,获得主观空间域失真;由所述的主观空间域失真,获得主观时间域变化,根据所述主观时间域变化来评估视频质量。所述根据主观时间域变化来评估视频质量的方法,主观时间域变化越强,则被测视频序列质量越差。
所述由客观空间域失真获得主观空间域失真的方法为:利用人眼的空间域视觉特性,对客观空间域失真进行处理,得到所述的主观空间域失真。
所述由主观空间域失真获得主观时间域变化的方法为:利用人眼的时间域视觉特性,对被测视频序列中相邻帧中对应位置上所述主观空间域失真在时间域上的客观变化进行处理,获得所述的主观时间域变化。
所述利用人眼的空间域视觉特性,对客观空间域失真进行处理,至少包括以下一种处理方法:
a、利用客观空间域失真所在区域的背景亮度获得空间域失真可感知阈值和空间域失真感知饱和阈值,并用这两种阈值分别作为钳制下限和钳制上限,对客观空间域失真进行钳制运算;
b、利用客观空间域失真所在区域的背景纹理类型,得到相应的纹理因子,并将纹理因子与客观空间域失真进行乘法运算。
所述利用人眼的时间域视觉特性,对被测视频序列中相邻帧中对应位置上所述主观空间域失真在时间域上的客观变化进行处理,至少包括以下一种处理方法:
a、由相邻若干帧中对应位置上的主观空间域失真的变化频率,得到相应的变化因子,并将变化因子和主观空间域失真进行乘法运算;
b、利用主观空间域失真所在区域的背景纹理类型,得到相应的时间域可感知变化阈值,并根据相邻两帧中对应位置上的主观空间域失真的差值及其幅值变化和所述的时间域可感知变化阈值,对前一帧和当前帧对应位置上的主观空间域失真进行组合运算。
本发明的另一目的还在于提供一种视频质量评估装置,该装置包括以下三个模块:由被测视频序列相对于参考视频序列的客观空间域失真获取被测视频序列的主观空间域失真的主观空间域失真生成模块,其输入为被测视频序列和参考视频序列,输出为被测视频序列的主观空间域失真;由被测视频序列的主观空间域失真获取被测视频序列的主观时间域变化的主观时间域变化生成模块,其输入至少包括被测视频序列的主观空间域失真,其输出为被测视频序列的主观时间域变化;以及将被测视频序列的主观时间域变化转换为被测视频序列的视频质量的视频质量生成模块,其输入为被测视频序列的主观时间域变化,其输出为被测视频序列的视频质量。
进一步的,所述主观时间域变化生成模块的输入还包括参考视频序列或被测视频序列。
与现有技术相比,本发明的视频质量评估结果与主观视频评估结果具有很高的相关性。
附图说明
图1为本发明一种视频质量评估装置实施例的结构示意图。
图2为本发明一种实施例的视频质量评估结果和主观质量评估结果之间的关系图。
具体实施方式
下面,结合实施例来详细阐述本发明的视频质量评估方法和视频质量评估装置的具体实施方式。
所述的视频质量评估方法包括:由被测视频序列相对于参考视频序列的客观空间域失真,获得主观空间域失真;由所述的主观空间域失真,获得主观时间域变化,根据所述主观时间域变化来评估视频质量。其具体实施方式如下:
设被测视频序列中所有帧的集合为N,其中每一帧图像中所有像素的集合为I。被测视频序列中第n帧中的任意一个像素记为Si,n(i∈I,n∈N),其在前一帧(n-1)帧中对应位置上的像素为Si,n-1,其中后一帧(n+1)帧中的对应位置上的像素为Si,n+1。Si,n在参考视频序列中的对应像素为Ri,n。相应的,Si,n-1和Si,n+1分别对应于Ri,n-1和Ri,n+1。
Si,n相对于Ri,n的客观空间域失真记为SDi,n,即有SDi,n=Si,n-Ri,n。
所述的由被测视频序列相对于参考视频序列的客观空间域失真,获得主观空间域失真,其具体处理方法有多种,例如:
方法一:利用函数f1(x)将客观空间域失真SDi,n映射到主观空间域失真PSDi,n,即有PSDi,n=f1(SDi,n),其中f1(x)=x0.8+0.3。
方法二:根据人眼具有的背景亮度掩蔽效应和失真感知饱合现象的空间域视觉特性,对Si,n的客观空间域失真SDi,n进行处理,得到更符合人眼视觉特性的主观空间域失真PSDi,n。
对任意Si,n,选择参考视频序列上对应像素Ri,n周围一定大小的区域或者被测视频序列上对应像素Si,n周围一定大小的区域,作为Si,n对应的背景区域J,例如以Ri,n为中心的5×5大小区域或者以Si,n为中心的7×7大小区域。由背景区域J的平均亮度等因素,根据JND模型求得对应的空间域失真可感知阈值VTi,n。同时,空间域失真感知饱和阈值记为STi,n,STi,n通常可以取为30,即有:STi,n=30。
从而,对Si,n的客观空间域失真SDi,n进行如下钳制运算,得到主观空间域失真PSDi,n,即有:
方法三:利用人眼具有的背景纹理掩蔽效应的空间视觉特性,对Si,n的客观空间域失真进行处理,得到更符合人眼视觉特性的主观空间域失真PSDi,n。
对任意Si,n,选择参考视频序列上对应像素Ri,n周围一定大小的区域或者被测视频序列上对应像素点Si,n周围一定大小的区域,作为Si,n对应的背景区域K,例如以Ri,n为中心的8×8大小区域或者以Si,n为中的16×8区域。根据背景区域K的纹理特征,将K划分为预先设定好T种纹理类型中的一种。其中纹理类型划分的方法有很多种,例如:如背景技术中所述,分析8×8大小背景区域K的离散余弦变换系数将K划分为平坦区,边缘区和纹理区三种纹理类型中的一种。
相应的,对平坦区,边缘区和纹理区这三类纹理类型分别设定平坦区纹理因子Wt1、边缘区纹理因子Wt2和纹理区纹理因子Wt3。其中Wt1=1,Wt2∈(0.1,1),Wt3∈(0,0.9)。记Si,n对应的纹理因子为Wt,i,n(t∈{t1,t2,t3),则Si,n的主观空间域失真PSDi,n为Si,n的客观空间域失真SDi,n和Si,n对应的纹理因子Wt,i,n的乘积,即有:
PSDi,n=SDi,n×Wt,i,n
由被测视频序列相对于参考视频序列的客观空间域失真,获得主观空间域失真的具体实施方法还可以有其它的方法,不仅限于上述三种方法。
所述的由主观空间域失真,获得主观时间域变化,其具体处理方法有多种,例如:
方法一:利用人眼具有的时间频率敏感度的时间域视觉特性,根据Si,n的主观空间域失真PSDi,n在时域上的变化频率,得到相应的变化因子,从而得到更符合人眼视觉特性的主观空间域失真的主观时间域变化PTDi,n。
如上所述,Si,n-1、Si,n和Si,n-1为被测视频序列相邻三帧上的对应像素,其主观空间域失真分别为PSDi,n-1、PSDi,n和PSDi,n+1。
PTDi,n=PSDi,n×f2(PSDi,n-1,PSDi,n,PSDi,n+1)
方法二:利用人眼具有的纹理掩蔽效应的时间域视觉特性,根据Si,n-1的背景纹理类型,得到相应的时间域可感知变化阈值CHt,i,n-1,从而得到更符合人眼视觉特性的主观空间域失真的主观时间域变化PTDi,n。
如上所述,Si,n-1和Si,n为被测视频序列相邻两帧上的对应像素,其主观空间域失真分别为PSDi,n-1和PSDi,n。选择参考视频序列上对应像素Ri,n-1周围一定大小的区域或者被测视频序列上对应像素点Si,n-1周围一定大小的区域,作为Si,n的背景区域L,例如以Ri,n-1为中心的8×8大小区域或者以Si,n-1为中心的16×8大小区域。由于相邻两帧之间对应位置上纹理的变化较小,背景区域L也可以由当前帧中Ri,n周围一定大小的区域或者Si,n周围一定大小的区域近似得到,例如以Ri,n为中心的8×8大小区域或者以Si,n为中心的16×8大小区域。根据背景区域L的纹理特征,将L划分为预先设定好T种纹理类型中的一种。其中纹理类型划分的方法有很多种,例如:如背景技术中所述,分析8×8大小背景区域L的离散余弦变换系数将L划分为平坦区,边缘区和纹理区三种纹理类型中的一种。
相应的,平坦区、边缘区和纹理区这三类纹理类型对应于不同的时间域可感知变化阈值,分别为CHt1、CHt2和CHt3,例如,CHt1=3,CHt2=4.5,CHt3=6。记Si,n-1对应的时间域可感知变化阈值为CHt,i,n-1(t∈{t1,t2,t3),则对于Si,n,其对应的主观空间域失真的主观时间域变化PTDi,n可由其在前后相邻两帧中的主观空间域失真PSDi,n-1和PSDi,n通过组合运算得到,即有:
其中,abs(A)表示对A求绝对值,CHt,i,n-1表示Si,n-1对应的时间域可感知变化阈值。
方法三:本方法为方法二的一种简化形式,其中可感知变化阈值设置为一个常量CH,例如CH=4。
对于Si,n,其对应的主观空间域失真的主观时间域变化PTDi,n可由其在前后相邻两帧中的主观空间域失真PSDi,n-1和PSDi,n通过组合运算得到,即有:
由主观空间域失真,获得主观时间域变化的方法还可以有其它的方法,不仅限于上述三种方法。
由此,可以得到被测视频序列上任意像素Si,n的主观空间域失真PSDi,n的主观时间域变化PTDi,n。
根据所述主观时间域变化来评估视频质量。被测序列中任意像素Si,n对应的质量记为Qi,n,Qi,n的集合表示被测视频序列的视频质量。从Si,n的主观时间域变化PTDi,n转化为Si,n的质量Qi,n的方法有许多种,例如:
方法一:
方法二:
从Si,n的主观时间域变化PTDi,n转化为Si,n的质量Qi,n的方法有许多种,不仅限于上述两种。
由此得到Si,n对应的质量Qi,n,且有PTDi,n越大,则Qi,n越小,说明质量越差。Qi,n的集合表示被测视频序列的视频质量。
下面,以一个具体的测试视频序列集为例,对本发明的视频质量评估结果与主观质量评估结果的相近程度进行说明。
测试视频序列集为The University of Texas at Austin大学Laboratory forImage&Video Engineering实验室提供的Tractor测试视频序列集。该测试视频序列集由15个经过不同视频处理后的测试视频序列和1个原始视频序列构成。并且,由38人在ITU-R BT.500-11主观测试方法下得到15个测试视频序列相对于原始视频序列的平均DMOS(Degradation Mean Opinion Score)分值,作为各测试视频序列的主观质量评估结果。
利用上述实施例中所述的本发明的视频质量评估方法,得到的各序列的评估结果和各序列的平均DMOS分值之间的Pearson相关系数为-0.9276,具有很高的相关性。利用散布图(scatter diagram/scattergraph)的方法表示本发明的视频质量评估结果和主观质量评估结果之间的关系如图2所示。
图2中,水平坐标表示本发明的视频质量评估结果,评估结果已经进行了归一化处理,数值越接近1,则表示质量越好;垂直坐标表示上述每个测试视频的DMOS分值,数值越大,则表示质量越差。可以看出,15个测试序列的评估结果和主观质量评估结果有着很高的相关性。
图1为一种视频质量评估装置实施例结构示意图。该装置包括三个模块:由被测视频序列相对于参考视频序列的客观空间域失真获取被测视频序列的主观空间域失真的主观空间域失真生成模块1;由被测视频序列的主观空间域失真获取被测视频序列的主观时间域变化的主观时间域变化生成模块2;将被测视频序列的主观时间域变化转换为被测视频序列的视频质量的视频质量生成模块3。
主观空间域失真生成模块1的输入为参考视频序列和被测视频序列,输出为被测视频序列的主观空间域失真,其完成的功能和实施方式与上述视频质量评估方法中由被测视频序列相对于参考视频序列的客观空间域失真,获得主观空间域失真的方法所述的功能和实施方式相同。
主观时间域变化生成模块2的输入至少包括被测视频序列的主观空间域失真,并可根据模块中相应的背景区域选择方法附加输入被测视频序列或者参考视频序列,例如当采用由主观空间域失真,获得主观时间域变化的方法一或方法三时,模块2的输入仅需要被测视频序列的主观空间域失真,而当采用由主观空间域失真,获得主观时间域变化的方法二时,模块2的输入不仅包括输入被测视频序列的主观空间域失真,还包括对应的被测视频序列或者参考视频序列。主观时间域变化生成模块2的输出为被测视频序列的主观时间域变化,其完成的功能和实施方式与上述视频质量评估方法中由主观空间域失真,获得主观时间域变化的方法所述的功能和实施方式相同。
视频质量生成模块3的输入为被测视频序列的主观时间域变化,输出为被测视频序列的视频质量,其完成的功能和实施方式与上述视频质量评估方法中根据所述主观时间域变化来评估视频质量的方法所述的功能和实施方式相同。
所述的视频质量评估装置可以由多种方式实现,例如:
方法一:以电子计算机为硬件附加与所述视频质量评估方法功能相同的软件程序来实现。
方法二:以单片机为硬件附加与所述视频质量评估方法功能相同的软件程序来实现。
方法三:以数字信号处理器为硬件附加与所述视频质量评估方法功能相同的软件程序来实现。
方法四:设计与所述视频质量评估方法功能相同的电路来实现。
实现所述的视频质量评估装置的方法还可以有其它的方法,不仅限于上述四种。
虽然通过实施实例描述了本发明,但本领域普通技术人员应该知道,本发明具有多种变形和变化而不脱离本发明的核心思想,本发明的申请文件的权利要求保护范围包括这些变形和变化。
Claims (8)
1.一种视频质量评估方法,其特征在于,包括:
由被测视频序列相对于参考视频序列的客观空间域失真,获得主观空间域失真;
由所述的主观空间域失真,获得主观时间域变化,根据所述主观时间域变化来评估视频质量。
2.如权利要求1所述的视频质量评估方法,其特征在于,由客观空间域失真获得主观空间域失真的方法为:利用人眼的空间域视觉特性,对客观空间域失真进行处理,得到所述的主观空间域失真。
3.如权利要求1所述的视频质量评估方法,其特征在于,由主观空间域失真获得主观时间域变化的方法为:利用人眼的时间域视觉特性,对被测视频序列中相邻帧中对应位置上所述主观空间域失真在时间域上的客观变化进行处理,获得所述的主观时间域变化。
4.如权利要求1所述的视频质量评估方法,其特征在于,根据主观时间域变化来评估视频质量的方法,所述的主观时间域变化越强,则被测视频序列质量越差。
5.如权利要求2所述的视频质量评估方法,其特征在于,所述利用人眼的空间域视觉特性,对客观空间域失真进行处理,至少包括以下一种处理方法:
a、利用客观空间域失真所在区域的背景亮度获得空间域失真可感知阈值和空间域失真感知饱和阈值,并用这两种阈值分别作为钳制下限和钳制上限,对客观空间域失真进行钳制运算;
b、利用客观空间域失真所在区域的背景纹理类型,得到相应的纹理因子,并将纹理因子与客观空间域失真进行乘法运算。
6.如权利要求3所述的视频质量评估方法,其特征在于,所述利用人眼的时间域视觉特性,对被测视频序列中相邻帧中对应位置上所述主观空间域失真在时间域上的客观变化进行处理,至少包括以下一种处理方法:
a、由相邻若干帧中对应位置上的主观空间域失真的变化频率,得到相应的变化因子,并将变化因子和主观空间域失真进行乘法运算;
b、利用主观空间域失真所在区域的背景纹理类型,得到相应的时间域可感知变化阈值,并根据相邻两帧中对应位置上的主观空间域失真的差值及其幅值变化和所述的时间域可感知变化阈值,对前一帧和当前帧对应位置上的主观空间域失真进行组合运算。
7.一种视频质量评估装置,其特征在于,包括以下三个模块:由被测视频序列相对于参考视频序列的客观空间域失真获取被测视频序列的主观空间域失真的主观空间域失真生成模块,其输入为被测视频序列和参考视频序列,输出为被测视频序列的主观空间域失真;由被测视频序列的主观空间域失真获取被测视频序列的主观时间域变化的主观时间域变化生成模块,其输入至少包括被测视频序列的主观空间域失真,其输出为被测视频序列的主观时间域变化;以及将被测视频序列的主观时间域变化转换为被测视频序列的视频质量的视频质量生成模块,其输入为被测视频序列的主观时间域变化,其输出为被测视频序列的视频质量。
8.如权利要求7所述的视频质量评估装置,其特征在于,所述主观时间域变化生成模块的输入还包括参考视频序列或被测视频序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101535718A CN101695141B (zh) | 2009-10-20 | 2009-10-20 | 一种视频质量评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2009101535718A CN101695141B (zh) | 2009-10-20 | 2009-10-20 | 一种视频质量评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101695141A true CN101695141A (zh) | 2010-04-14 |
CN101695141B CN101695141B (zh) | 2012-05-23 |
Family
ID=42094071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2009101535718A Active CN101695141B (zh) | 2009-10-20 | 2009-10-20 | 一种视频质量评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101695141B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102227127A (zh) * | 2011-06-21 | 2011-10-26 | 天津理工大学 | 全自动多媒体素材缺陷检测及质量分析方法 |
WO2011134110A1 (en) * | 2010-04-30 | 2011-11-03 | Thomson Licensing | Method and apparatus for measuring video quality using at least one semi -supervised learning regressor for mean observer score prediction |
CN102769772A (zh) * | 2011-05-05 | 2012-11-07 | 浙江大学 | 一种视频序列失真评价方法和装置 |
CN103458265A (zh) * | 2013-02-01 | 2013-12-18 | 深圳信息职业技术学院 | 一种视频质量评价方法、装置 |
CN103634591A (zh) * | 2013-11-20 | 2014-03-12 | 华为技术有限公司 | 一种视频质量评估的方法、装置和系统 |
CN103747237A (zh) * | 2013-02-06 | 2014-04-23 | 华为技术有限公司 | 视频编码质量的评估方法及设备 |
WO2014121571A1 (en) * | 2013-02-07 | 2014-08-14 | Thomson Licensing | Method and apparatus for context-based video quality assessment |
CN104995914A (zh) * | 2013-02-07 | 2015-10-21 | 汤姆逊许可公司 | 用于基于上下文的视频质量评估的方法和装置 |
CN105763876A (zh) * | 2015-12-21 | 2016-07-13 | 中国计量学院 | 一种基于时域失真波动和感兴趣区域的视频质量评价方法 |
CN105828064A (zh) * | 2015-01-07 | 2016-08-03 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
US9723301B2 (en) | 2013-02-07 | 2017-08-01 | Thomson Licensing | Method and apparatus for context-based video quality assessment |
WO2017193875A1 (zh) * | 2016-05-07 | 2017-11-16 | 浙江大学 | 一种数字图像质量评价方法及装置 |
CN108184112A (zh) * | 2018-01-29 | 2018-06-19 | 上海海洋大学 | 一种基于心理测量动态优化的深海视频质量主观评价方法 |
CN108566547A (zh) * | 2017-10-25 | 2018-09-21 | 央视国际网络无锡有限公司 | 一种优化的视频质量评价方法 |
CN110290381A (zh) * | 2019-08-01 | 2019-09-27 | 字节跳动(香港)有限公司 | 视频质量评估方法、装置、电子设备及计算机存储介质 |
CN111539948A (zh) * | 2020-05-11 | 2020-08-14 | 北京百度网讯科技有限公司 | 视频质量评估的方法、装置、电子设备及存储介质 |
CN111866583A (zh) * | 2019-04-24 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 一种视频监控资源的调整方法、装置、介质及电子设备 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE69213380T2 (de) * | 1991-09-27 | 1997-03-20 | Agfa Gevaert Nv | Reproduktionsverfahren für medizinische Bilder,das optimale Bildqualität für Diagnose herstellt |
WO1997039417A2 (en) * | 1996-03-29 | 1997-10-23 | Sarnoff Corporation | Method and apparatus for training a neural network to use a fidelity metric |
JP4053185B2 (ja) * | 1999-06-22 | 2008-02-27 | 富士フイルム株式会社 | 画像処理方法および装置 |
US6577764B2 (en) * | 2001-08-01 | 2003-06-10 | Teranex, Inc. | Method for measuring and analyzing digital video quality |
JP2006505853A (ja) * | 2002-11-06 | 2006-02-16 | エージェンシー フォー サイエンス,テクノロジー アンド リサーチ | 画像又は映像の品質を評価する品質志向重要度マップの生成方法 |
-
2009
- 2009-10-20 CN CN2009101535718A patent/CN101695141B/zh active Active
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8824783B2 (en) | 2010-04-30 | 2014-09-02 | Thomson Licensing | Method and apparatus for measuring video quality using at least one semi-supervised learning regressor for mean observer score prediction |
WO2011134110A1 (en) * | 2010-04-30 | 2011-11-03 | Thomson Licensing | Method and apparatus for measuring video quality using at least one semi -supervised learning regressor for mean observer score prediction |
CN102769772A (zh) * | 2011-05-05 | 2012-11-07 | 浙江大学 | 一种视频序列失真评价方法和装置 |
CN102769772B (zh) * | 2011-05-05 | 2014-12-10 | 浙江大学 | 一种视频序列失真评价方法和装置 |
CN102227127A (zh) * | 2011-06-21 | 2011-10-26 | 天津理工大学 | 全自动多媒体素材缺陷检测及质量分析方法 |
CN103458265B (zh) * | 2013-02-01 | 2015-03-04 | 深圳信息职业技术学院 | 一种视频质量评价方法、装置 |
CN103458265A (zh) * | 2013-02-01 | 2013-12-18 | 深圳信息职业技术学院 | 一种视频质量评价方法、装置 |
CN103747237A (zh) * | 2013-02-06 | 2014-04-23 | 华为技术有限公司 | 视频编码质量的评估方法及设备 |
CN103747237B (zh) * | 2013-02-06 | 2015-04-29 | 华为技术有限公司 | 视频编码质量的评估方法及设备 |
US9774855B2 (en) | 2013-02-06 | 2017-09-26 | Huawei Technologies Co., Ltd. | Method and device for assessing video encoding quality |
WO2014121571A1 (en) * | 2013-02-07 | 2014-08-14 | Thomson Licensing | Method and apparatus for context-based video quality assessment |
US9723301B2 (en) | 2013-02-07 | 2017-08-01 | Thomson Licensing | Method and apparatus for context-based video quality assessment |
CN104995914A (zh) * | 2013-02-07 | 2015-10-21 | 汤姆逊许可公司 | 用于基于上下文的视频质量评估的方法和装置 |
US9716881B2 (en) | 2013-02-07 | 2017-07-25 | Thomson Licensing | Method and apparatus for context-based video quality assessment |
CN103634591A (zh) * | 2013-11-20 | 2014-03-12 | 华为技术有限公司 | 一种视频质量评估的方法、装置和系统 |
CN105828064B (zh) * | 2015-01-07 | 2017-12-12 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN105828064A (zh) * | 2015-01-07 | 2016-08-03 | 中国人民解放军理工大学 | 融合局部和全局时空特性的无参考视频质量评估方法 |
CN105763876A (zh) * | 2015-12-21 | 2016-07-13 | 中国计量学院 | 一种基于时域失真波动和感兴趣区域的视频质量评价方法 |
WO2017193875A1 (zh) * | 2016-05-07 | 2017-11-16 | 浙江大学 | 一种数字图像质量评价方法及装置 |
CN108566547A (zh) * | 2017-10-25 | 2018-09-21 | 央视国际网络无锡有限公司 | 一种优化的视频质量评价方法 |
CN108184112A (zh) * | 2018-01-29 | 2018-06-19 | 上海海洋大学 | 一种基于心理测量动态优化的深海视频质量主观评价方法 |
CN108184112B (zh) * | 2018-01-29 | 2021-05-07 | 上海海洋大学 | 一种基于心理测量动态优化的深海视频质量主观评价方法 |
CN111866583A (zh) * | 2019-04-24 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 一种视频监控资源的调整方法、装置、介质及电子设备 |
CN111866583B (zh) * | 2019-04-24 | 2024-04-05 | 北京京东尚科信息技术有限公司 | 一种视频监控资源的调整方法、装置、介质及电子设备 |
CN110290381A (zh) * | 2019-08-01 | 2019-09-27 | 字节跳动(香港)有限公司 | 视频质量评估方法、装置、电子设备及计算机存储介质 |
CN111539948A (zh) * | 2020-05-11 | 2020-08-14 | 北京百度网讯科技有限公司 | 视频质量评估的方法、装置、电子设备及存储介质 |
CN111539948B (zh) * | 2020-05-11 | 2023-06-02 | 北京百度网讯科技有限公司 | 视频质量评估的方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN101695141B (zh) | 2012-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101695141B (zh) | 一种视频质量评估方法和装置 | |
Yang et al. | Perceptual quality assessment of screen content images | |
Liu et al. | A no-reference metric for perceived ringing artifacts in images | |
Qureshi et al. | Towards the design of a consistent image contrast enhancement evaluation measure | |
CN100559881C (zh) | 一种基于人工神经网络的视频质量评价方法 | |
CN101853504B (zh) | 基于视觉特性与结构相似度的图像质量评测方法 | |
CN101378519B (zh) | 一种基于Contourlet变换的质降参考图像质量评价方法 | |
CN101562675B (zh) | 基于Contourlet变换的无参考型图像质量评测方法 | |
CN101146226A (zh) | 一种基于自适应st区的高清视频图像质量评价方法及装置 | |
CN103281554B (zh) | 一种基于人眼视觉特性的视频客观质量评价方法 | |
Narwaria et al. | Scalable image quality assessment with 2D mel-cepstrum and machine learning approach | |
CN102036098B (zh) | 一种基于视觉信息量差异的全参考型图像质量评价方法 | |
Zhang et al. | Reduced reference image quality assessment based on statistics of edge | |
CN102722888A (zh) | 基于生理与心理立体视觉的立体图像客观质量评价方法 | |
CN104574424B (zh) | 基于多分辨率dct边缘梯度统计的无参照图像模糊度评价方法 | |
Lahoulou et al. | Full-reference image quality metrics performance evaluation over image quality databases | |
CN106934770A (zh) | 一种评价雾霾图像去雾效果的方法和装置 | |
CN109754390A (zh) | 一种基于混合视觉特征的无参考图像质量评价方法 | |
CN102903100A (zh) | 一种数字照片图像压缩历史的检测方法 | |
CN103108209A (zh) | 基于视觉阈值与通道融合的立体图像客观质量评价方法 | |
CN103077514A (zh) | 一种基于全变分的视觉感知图像质量评价方法 | |
CN105049835A (zh) | 感知立体图像质量的客观评价方法 | |
CN101895787B (zh) | 一种视频编码性能主观评价方法及系统 | |
Gao et al. | A content-based image quality metric | |
CN104899893A (zh) | 基于视觉注意力的图像质量检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |