CN103581662B - 视频清晰度测量方法和系统 - Google Patents
视频清晰度测量方法和系统 Download PDFInfo
- Publication number
- CN103581662B CN103581662B CN201210261645.1A CN201210261645A CN103581662B CN 103581662 B CN103581662 B CN 103581662B CN 201210261645 A CN201210261645 A CN 201210261645A CN 103581662 B CN103581662 B CN 103581662B
- Authority
- CN
- China
- Prior art keywords
- video
- definition
- video file
- image
- meansigma methods
- 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.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种视频清晰度测量方法和系统。所述方法包括以下步骤:获取视频文件;按预设采样时间点起按预设时间间隔从所述视频文件中抽取多张目标图像;对抽取的每张目标图像进行预处理得到对应的模糊图像,对每张目标图像及对应的模糊图像进行提取分别得到多个子图向量;获取每张目标图像及对应的模糊图像中对应的多个子图向量的结构相似度平均值,得到多个结构相似度平均值;根据所述多个结构相似度平均值、预设采样时间点以及预设时间间隔绘制结构相似度平均值曲线,并获取所述结构相似度平均值曲线的积分值,所述积分值作为所述视频的清晰度值。根据视频文件自身的特征得到清晰度值,不需依赖于历史数据等因素,提高了清晰度识别的准确性。
Description
技术领域
本发明涉及视频处理技术,特别是涉及一种视频清晰度测量方法和系统。
背景技术
随着互联网视频越来越多,人们迫切希望能够快速地从众多的视频中精准定位到一些高质量的视频。视频清晰度是衡量一个视频质量的一个重要指标,特别是对于影视剧和动漫类视频来说,高清晰的视频能大大提升用户的体验。其中,视频是指一系列静态影像以电信号方式加以捕捉、记录、处理、存储、传送与重现的各种技术,当连续的图像变化以每秒超过24帧画面以上时,根据视觉暂留原理,人眼无法辨别单幅的静态画面,看上去是平滑连续的视觉效果,这样连续的画面即为视频。清晰度是指影像上各细部影纹及其边界的清晰程度,故通过看重放图像的清晰程度来比较图像质量。
视频清晰度分为相对清晰度和绝对清晰度。相对清晰度是指视频之间的清晰度排序,绝对清晰度是将清晰度划分为不同的级别,然后判断视频属于哪个级别。视频按照清晰度可分为几种版本,如枪版、碟版、胶片版和清晰版,其中,枪版是在电影院里用机器偷拍的,清晰度很差,图像模糊,音效也很差;碟版是通过卡被翻录成DVD(Digital Versatile Disc,数字多功能光盘),音画效果较好;胶片版是通过拷贝翻录的DVD,清晰度介于枪版和碟版之间;清晰版是指流行的高清影音文件,主要分为DVDRip、RMVB、MKV(Matroska的一种多媒体文件)等三大类,其以高清晰的画质、接近原始音源的音效,受到人们的青睐。
视频清晰度的影响因素很多,包括模糊度、块状、噪声数量、明暗程度、编码误差等等。这些因素通常是由原始视频被压缩、传输、再拍摄、编辑等引起。人们通过眼睛可非常准确地判断出一个视频是否清晰,若通过计算机自动识别出一个视频的清晰度是非常困难的,主要是因为影响视频清晰度的因素很多,每个因素都难以用数学定量地描述。
传统的获取视频清晰度的方法首先确定识别视频清晰度特征,然后利用这些特征判断一个指定视频的清晰度级别。例如,通常采用一些成型的决策树算法来训练样本,生成的决策树用于实际的视频清晰度识别。其中,决策树(decisiontree)是一个类似于流程图的树结构,每个内部节点表示在一个属性上的测试,每个分枝代表一个测试输出,而每个树节点代表类或者类分布。决策树的最顶层节点是根节点,决策树的每个节点子节点的个数与决策树在用的算法有关。每个分支要么是一个新的决策节点,要么是树的结尾,称为叶子。在沿着决策树从上到下遍历的过程中,在每个节点都会遇到一个问题,对每个节点上问题的不同回答导致不同的分支,最后会到达一个叶子节点。
基于参考样本决策树的视频清晰度判断方法通常需要经历如下几个步骤:
(1)挑选不同类别的视频样本,人工标记,给视频的清晰度打分;
(2)下载视频,获取视频的码率和分辨率,推导组合属性比如分辨率和码率乘积、分辨率和码率的商,确定和清晰度最相关的因素;
(3)采用决策树算法训练样本,生成决策树;
(4)为应用需要的视频下载部分视频内容数据,获取码率和分辨率等;
(5)采用生成的决策树识别视频的清晰度。
因决策树每个节点对应分割的定义都是非常明确的,建立的决策树的枝叶太多,既降低了树的可理解性和可用性,同时也使决策树本身对历史数据的依赖性增大,即这棵决策树对此历史数据可能非常准确,一旦应用到新的数据时准确性却急剧下降,这种情况为训练过度,常用的方法是设定决策树的最大高度(层数)来限制树的生长,对应在传统的技术方案就是减少判断视频清晰度决策的变量,但是变量的减少可能就忽略视频本身所具有的重要信息特征,从而降低清晰度判断的准确性。
发明内容
基于此,有必要提供一种能提供清晰度识别准确性的视频清晰度测量方法。
一种视频清晰度测量方法,包括以下步骤:
获取视频文件;
按预设采样时间点起按预设时间间隔从所述视频文件中抽取多张目标图像;
对抽取的每张目标图像进行预处理得到对应的模糊图像,对每张目标图像进行提取得到多个子图向量,以及对对应的模糊图像进行提取得到多个子图向量;
获取每张目标图像及对应的模糊图像中对应的多个子图向量的结构相似度平均值,将所述多个子图向量的结构相似度平均值作为每张目标图像的结构相似度平均值,获取多张目标图像的结构相似度平均值得到多个结构相似度平均值;
根据所述多个结构相似度平均值、预设采样时间点及预设时间间隔绘制结构相似度平均值曲线,并获取所述结构相似度平均值曲线的积分值,所述积分值作为所述视频的清晰度值。
在其中一个实施例中,所述对抽取的每张目标图像进行预处理得到对应的模糊图像的步骤具体为:
对抽取的每张目标图像进行滤波处理得到对应的模糊图像。
在其中一个实施例中,所述对每张目标图像及对应的模糊图像进行提取分别得到多个子图向量的步骤具体为:
对每张目标图像及对应的模糊图像进行提取梯度,得到对应的纹理结构图像;
分别循环遍历所述目标图像的纹理结构图像及对应的模糊图像的纹理结构图像,分别得到对应的多个子图向量。
在其中一个实施例中,还包括步骤:
获取不同视频文件的结构相似度平均值曲线的积分值;
对不同视频文件的结构相似度平均值曲线的积分值进行排序。
在其中一个实施例中,还包括步骤:
获取同样内容的多个视频文件的清晰度值;
对所述同样内容的视频文件进行清晰度标记。
在其中一个实施例中,所述对所述同样内容的视频文件进行清晰度标记的步骤包括:
设定阈值范围;
对清晰度值大于所述阈值范围中最大值的视频文件标记表示模糊视频文件的标识,对清晰度值位于所述阈值范围中的视频文件标记表示标清视频文件的标识,对清晰度值小于所述度阈值范围中最小值的视频文件标记表示高清视频文件的标识。
在其中一个实施例中,还包括步骤:
获取同样内容的多个视频文件的结构相似度平均值曲线;
两两比较结构相似度平均值曲线对应点的方差值,所述方差值位于预设容差范围内时,所述两个视频文件的清晰度相同。
在其中一个实施例中,在所述按预设采样时间点起按预设时间间隔从所述视频文件中抽取多张目标图像的步骤之后,还包括步骤:
将所述视频文件与所述抽取的多张目标图像的关联关系进行存储。
在其中一个实施例中,所述获取视频文件的步骤具体包括:
从云存储服务器获取视频文件。
此外,有必要提供一种能提供清晰度识别准确性的视频清晰度测量系统。
一种视频清晰度测量系统,包括:
视频预处理服务器,用于获取视频文件,按预设采样时间点起按预设时间间隔从所述视频文件中抽取多张目标图像;
图像清晰度处理服务器,所述图像清晰度获取服务器包括:
预处理模块,用于对抽取的每张目标图像进行预处理得到对应的模糊图像;
提取模块,用于对每张目标图像进行提取得到多个子图向量,以及对对应的模糊图像进行提取得到多个子图向量;
相似度获取模块,用于获取每张目标图像及对应的模糊图像中对应的多个子图向量的结构相似度平均值,将所述多个子图向量的结构相似度平均值作为每张目标图像的结构相似度平均值,获取多张目标图像的结构相似度平均值得到多个结构相似度平均值;
清晰度获取模块,用于根据所述多个结构相似度平均值、预设采样时间点及预设时间间隔绘制结构相似度平均值曲线,并获取所述结构相似度平均值曲线的积分值,所述积分值作为所述视频的清晰度值。
在其中一个实施例中,所述预处理模块还用于对抽取的每张目标图像进行滤波处理得到对应的模糊图像。
在其中一个实施例中,所述提取模块还用于对每张目标图像及对应的模糊图像进行提取梯度,得到对应的纹理结构图像,以及分别循环遍历所述目标图像的纹理结构图像及对应的模糊图像的纹理结构图像,分别得到对应的多个子图向量。
在其中一个实施例中,所述清晰度获取模块还用于获取不同视频文件的清晰度值;
所述图像清晰度处理服务器还包括:
排序模块,用于对不同视频文件的结构相似度平均值曲线的积分值进行排序。
在其中一个实施例中,所述清晰度获取模块还用于获取同样内容的多个视频文件的清晰度值;
所述视频清晰度测量系统还包括:
视频清晰度标记服务器,用于对所述同样内容的视频文件进行清晰度标记。
在其中一个实施例中,所述视频清晰度标记服务器还用于设定阈值范围,对清晰度值大于所述阈值范围中最大值的视频文件标记表示模糊视频文件的标识,对清晰度值位于所述阈值范围中的视频文件标记表示标清视频文件的标识,对清晰度值小于所述度阈值范围中最小值的视频文件标记表示高清视频文件的标识。
在其中一个实施例中,所述清晰度获取模块还用于获取同样内容的多个视频文件的结构相似度平均值曲线;
所述图像清晰度处理服务器还包括:
判断模块,用于两两计算结构相似度平均值曲线对应点的方差值,所述方差值位于预设容差范围内时,所述两个视频文件的清晰度相同。
在其中一个实施例中,还包括:数据库,用于存储所述视频文件与所述抽取的多张目标图像的关联关系。
在其中一个实施例中,所述视频预处理服务器还用于从云存储服务器获取视频文件。
上述视频清晰度测量方法和系统,采用获取视频文件,对视频文件抽取多张目标图像,对目标图像处理得到模糊图像,对目标图像和模糊图像划分多个子图向量,获取子图向量的结构相似度平均值,进而得到结构相似度平均值曲线,对曲线积分得到积分值,将积分值作为清晰度值,得到的积分值是根据视频文件自身的特征进行计算得到的,不需依赖于历史数据等因素,提高了清晰度识别的准确性。
附图说明
图1为一个实施例中视频清晰度测量方法的流程示意图;
图2为对每张目标图像及对应的模糊图像进行提取分别得到多个子图向量的步骤具体流程示意图;
图3为一个实施例中对不同视频文件的处理流程图;
图4为判断同样内容的视频文件的清晰度的流程图;
图5为区分同样内容的视频文件的清晰度的流程图;
图6为一个实施例中视频清晰度测量系统的结构示意图;
图7为图像清晰度处理服务器的内部结构示意图;
图8为另一个实施例中视频清晰度测量系统的结构示意图。
具体实施方式
下面结合具体的实施例及附图对视频清晰度测量方法和系统的技术方案进行详细的描述,以使其更加清楚。
如图1所示,在一个实施例中视频清晰度测量方法,包括以下步骤:
步骤S110,获取视频文件。
具体的,从云存储服务器或离线下载服务器上获取视频文件。云存储服务器上存储有离线下载服务器已下载完成并同步的视频文件,离线下载服务器上保存着下载完成未同步到云存储服务器上的视频文件。获取视频文件并获取视频文件时长,方便按照预设采样时间点进行采样。
在一个实施例中,在步骤S110之前,还包括步骤:离线下载服务器下载数据,并将下载完成的数据同步到云存储服务器上。其中,数据即可为视频文件。
进一步的,在离线下载服务器下载数据的步骤之前,还包括步骤:
(1)下载客户端向离线下载任务管理服务器提交离线下载任务请求。
(2)离线下载任务管理服务器接收离线下载任务请求,并生成唯一标识编号,且将离线下载任务的原始链接信息写入离线数据库中,并将离线下载任务请求发送给离线下载任务调度服务器。
具体的,离线数据库存储离线下载任务的原始链接信息以及离线下载完的数据。
(3)离线下载任务调度服务器对离线下载任务请求进行排重处理,并根据离线下载服务器的负载情况,动态将离线下载任务调度到不同的离线下载服务器。
具体的,离线下载服务器向离线下载任务调度服务器注册自己的地址,提供磁盘空间、CPU负载信息的上报等负载情况。离线下载任务调度服务器根据离线下载服务器上报的负载情况,调度不同的离线下载服务器。不同用户可以共享同一个离线下载任务的离线下载进度和速度信息。
进一步的,在一个实施例中,离线下载服务器下载数据的步骤具体包括:离线下载服务器接收离线下载任务调度服务器的调度,根据离线下载任务请求从离线数据库中获取原始链接信息进行任务下载。此外,离线下载服务器向离线下载任务调度服务器汇报离线下载的进度和速度信息。离线下载任务调度服务器接收离线下载服务器上报的下载进度、速度信息,并将其同步到离线下载任务管理服务器。
进一步的,在一个实施例中,在离线下载任务管理服务器接收离线下载任务请求,并生成唯一标识编号,且将离线下载任务的原始链接信息写入离线数据库中的步骤之后,还包括步骤:离线下载任务管理服务器根据离线下载任务请求从离线数据库中查找是否存在下载完成的对应的数据,若存在,则不需再次下载,并通知下载客户端离线下载成功。
进一步的,在一个实施例中,在离线下载服务器下载数据的步骤之后,还包括步骤:下载客户端从离线下载任务管理器获取本次下载任务的下载时间、下载速度、下载结果、文件大小、下载的原始链接和不同URL源获取的下载速度和下载时间,并汇报给统计服务器。
此外,下载客户端从云存储服务器取回下载完成的数据;下载客户端对下载过程中下载完成的数据分片进行校验,发现数据分片错误,向统计服务器汇报。此外,还可通过下载客户端查询离线下载的进度信息。
步骤S120,按预设采样时间点起按预设时间间隔从视频文件中抽取多张目标图像。
具体的,预设采样时间点可根据需要设定,如视频文件播放的3分钟处、5分钟处、10分钟处。从采样时间点开始,按预设时间间隔抽取多张目标图像,一个时间点对应抽取一张目标图像。如在视频文件播放的3分钟处开始,按时间间隔(如间隔5秒)抽取30张目标图像,同样在5分钟、10分钟处开始分别抽取30张目标图像。其中,目标图像是指采样得到的用于获取视频清晰度的视频文件图像。
在一个实施例中,在步骤S120之后,还包括步骤:将视频文件与抽取的多张目标图像的关联关系进行存储。具体的,将视频文件与抽取的多张目标图像进行关联存储,可方便获取对应的视频文件以及抽取的目标图像。
步骤S130,对抽取的每张目标图像进行预处理得到对应的模糊图像,对每张目标图像进行提取得到多个子图向量,以及对对应的模糊图像进行提取得到多个子图向量。
在一个实施例中,对抽取的每张目标图像进行预处理得到对应的模糊图像的步骤具体为:对抽取的每张目标图像进行滤波处理得到对应的模糊图像。
其中,对每张目标图像可采用低通滤波、中值滤波或高斯滤波处理。
低通滤波的方法对图像进行滤波处理。低通滤波是指低频信号可通过,超过设定临界值的高频信号则被阻隔、减弱。
中值滤波是一种非线性平滑技术,基本原理是把数字图像或数字序列中一点的值用该点的一个领域中各点值的中值代替,让周围的像素值接近真实值,从而消除孤立的噪声点。具体的,可利用二维模板,将板内像素按照像素值的大小进行排序,生成单调上升(或下降)的二维数据序列,然后取中值。二维中值滤波输出为g(x,y)=med{f(x-k,y-l),(k,l∈W)},其中,f(x,y)为原始图像,g(x,y)为处理后的图像,W为二维模板,通常为2*2,3*3区域,也可是不同的形状,如线状、圆形、十字状、圆环形等。
高斯滤波是一种信号滤波器,可对信号进行平滑处理,得到的图像用于后期应用,通过高斯滤波,可得到信噪比SNR(signal to noise ratio)较高的图像。
具体的,如图2所示,对每张目标图像及对应的模糊图像进行提取分别得到多个子图向量的步骤具体为:
步骤S210,对每张目标图像及对应的模糊图像进行提取梯度,得到对应的纹理结构图像。
具体的,可采用低通滤波、中值滤波或高斯滤波的方法提取梯度。如目标图像f,经过滤波处理得到模糊图像F,对f和F提取梯度,得到纹理结构图像g,G。
步骤S220,分别循环遍历所述目标图像的纹理结构图像及对应的模糊图像的纹理结构图像,分别得到对应的多个子图向量。
具体的,循环遍历g、G,得到子图向量,子图向量大小可为8×8,也可为4×4,16×16等。优选的,在本实施例中采用子图向量大小为8×8。
步骤S140,获取每张目标图像及对应的模糊图像中对应的多个子图向量的结构相似度平均值,将该多个子图向量的结构相似度平均值作为每张目标图像的结构相似度平均值,获取多张目标图像的结构相似度平均值得到多个结构相似度平均值。
具体的,每张目标图像对应一张模糊图像,每张目标图像的子图向量对应模糊图像的子图向量,计算对应的子图向量的结构相似度值,然后求取多个子图向量的结构相似度平均值,即得到一张目标图像和模糊图像的结构相似度平均值。如前面90张目标图像,则可得到90个结构相似度平均值。
步骤S150,根据多个结构相似度平均值、预设采样时间点及预设时间间隔绘制结构相似度平均值曲线,并获取结构相似度平均值曲线的积分值,所述积分值作为所述视频文件的清晰度值。
具体的,例如,将90个结构相似度平均值、预设采样时间点以及预设时间间隔绘制结构相似度平均值曲线。计算结构相似度平均值曲线的积分值,将该积分值作为视频文件的清晰度值。该积分值越大,清晰度越低,积分值越小,清晰度越高。
因视频是由一系列的帧组成的图像构成的,图像可视为由图像轮廓、细节纹理和平坦区域构成,图像轮廓决定物体能否被辨识,图像清晰度主要表现为细节纹理信息,细节丢失则图像模糊。故通过视频本身属性,如清晰锐利程度、对比度饱和程度、流畅平滑停滞程度等,比较出视频之间的相对清晰程度。越清晰的图像经过滤波处理,除去噪声后,损失的高频信号越多,对应提取到梯度子图向量的结构相似度越低,得到的结构相似度平均值越低,对结构相似度平均值曲线进行积分得到的积分值越小,故积分值越小,对应清晰度值小,清晰度越高。
进一步的,如图3所示,在一个实施例中,上述视频清晰度测量方法,还包括步骤:
步骤S310,获取不同视频文件的清晰度值。
具体的,通过上述步骤S110至150,获取不同视频文件的结构相似度平均值曲线的积分值,即清晰度值。
步骤S320,对不同视频文件的清晰度值进行排序。
具体的,对不同视频文件的清晰度值进行从高到低排序,或从低到高排序,排序后,清晰度值小的视频文件的清晰度高于清晰度值大的视频文件。
进一步的,如图4所示,在一个实施例中,上述视频清晰度测量方法,还包括步骤:
步骤S410,获取同样内容的多个视频文件的结构相似度平均值曲线。
步骤S420,两两比较结构相似度平均值曲线对应点的方差值,方差值位于预设容差范围内时,两个视频文件的清晰度相同。
具体的,预先设定容差范围,该容差范围可根据需要设定,如[0,0.5]。以两条结构相似度平均值曲线为例,获取两条曲线上对应点的值,然后求差的平方,再求取得的多个对应点的差的平方的平均值,即为方差值,判断该方差值是否位于预设容差范围内,若是,则两个视频文件的清晰度相同。
进一步的,如图5所示,在一个实施例中,上述视频清晰度测量方法,还包括步骤:
步骤S510,获取同样内容的多个视频文件的清晰度值。
步骤S520,对同样内容的视频文件进行清晰度标记。
步骤S520具体包括:设定阈值范围;对清晰度值大于阈值范围中最大值的视频文件标记表示模糊视频文件的标识,对清晰度值位于阈值范围中的视频文件标记表示标清视频文件的标识,对清晰度值小于阈值范围中最小值的视频文件标记表示高清视频文件的标识。
具体的,阈值范围可根据视频文件的清晰度值进行设定,选择其中一个范围内的清晰度值作为表示标清视频文件的标准。清晰度值小于该阈值范围中最小值的视频文件表示是高清视频文件。通过标记不同的标识,方便用户快速直观的区分视频文件的清晰度。
此外,上述视频清晰度测量方法,还包括步骤:将标记高清标识或标清标识的视频文件进行存储,删除标记模糊标识的视频文件。可节省服务器的磁盘空间。
进一步的,通过上述视频清晰度测量方法对视频文件标记后,将标记后的视频文件存储在数据库中供用户下载;下载客户端请求下载视频文件时,离线下载服务器将标记不同清晰度的标识的视频缩略图及对应的下载地址返回给下载客户端;在下载客户端上显示带有标识的视频缩略图及对应的下载地址;获取选择的标识对应的下载地址,离线下载服务器从数据库中提取对应的视频文件返回给下载客户端。用户不需下载视频文件通过标识即可区分视频文件的清晰度。例如,在WEB网页上显示带有高清标识的视频缩略图、带标清标识的视频缩略图、带模糊标识的视频缩略图及对应的下载地址,用户可直观的通过标识区分视频文件的清晰度。
如图6所示,在一个实施例中,一种视频清晰度测量系统,包括视频预处理服务器110和图像清晰度处理服务器120。其中:
视频预处理服务器110用于获取视频文件,按预设采样时间点起按预设时间间隔从视频文件中抽取多张目标图像。
具体的,视频预处理服务器110从云存储服务器或离线下载服务器上获取视频文件。云存储服务器上存储有离线下载服务器已下载完成并同步的视频文件,离线下载服务器上保存着下载完成未同步到云存储服务器上的视频文件。获取视频文件并获取视频文件时长,方便按照预设采样时间点进行采样。预设采样时间点可根据需要设定,如视频文件播放的3分钟处、5分钟处、10分钟处。从采样时间点开始,按预设时间间隔(如5秒)的抽取多张目标图像。如在视频文件播放的3分钟处开始,按时间间隔抽取30张目标图像,同样在5分钟、10分钟处开始分别抽取30张目标图像。其中,目标图像是指采样得到的用于获取视频清晰度的视频文件图像。
图像清晰度处理服务器120包括预处理模块121、提取模块122、相似度获取模块123和清晰度获取模块124。其中:
预处理模块121用于对抽取的每张目标图像进行预处理得到对应的模糊图像。预处理模块121对抽取的每张目标图像进行滤波处理得到对应的模糊图像。其中,对每张目标图像可采用低通滤波、中值滤波或高斯滤波处理。
提取模块122用于对每张目标图像进行提取得到多个子图向量,以及对对应的模糊图像进行提取得到多个子图向量。提取模块122还用于对每张目标图像及对应的模糊图像进行提取梯度,得到对应的纹理结构图像,以及分别循环遍历目标图像的纹理结构图像及对应的模糊图像的纹理结构图像,分别得到对应的多个子图向量。具体的,可采用低通滤波、中值滤波或高斯滤波的方法提取梯度。如目标图像f,经过滤波处理得到模糊图像F,对f和F提取梯度,得到纹理结构图像g,G。循环遍历g、G,得到子图向量,子图向量大小可为8×8,也可为4×4,16×16等。
相似度获取模块123用于获取每张目标图像及对应的模糊图像中对应的多个子图向量的结构相似度平均值,将所述多个子图向量的结构相似度平均值作为每张目标图像的结构相似度平均值,获取多张目标图像的结构相似度平均值得到多个结构相似度平均值。具体的,每张目标图像对应一张模糊图像,每张目标图像的子图向量对应模糊图像的子图向量,计算对应的子图向量的结构相似度值,然后求取多个子图向量的结构相似度平均值,即得到一张目标图像和模糊图像的结构相似度平均值。如前面90张目标图像,则可得到90个结构相似度平均值。
清晰度获取模块124用于根据多个结构相似度平均值、预设采样时间点及预设时间间隔绘制结构相似度平均值曲线,并获取所述结构相似度平均值曲线的积分值,所述积分值作为所述视频的清晰度值。具体的,例如,将90个结构相似度平均值及预设采样时间点绘制结构相似度平均值曲线。计算结构相似度平均值曲线的积分值,将该积分值作为视频文件的清晰度值。该积分值越大,清晰度越低,积分值越小,清晰度越高。
进一步的,如图7所示,图像清晰度处理服务器120还包括排序模块125和判断模块126。
清晰度获取模块124还用于获取不同视频文件的清晰度值。
排序模块125用于对不同视频文件的结构相似度平均值曲线的积分值进行排序。具体的,对不同视频文件的清晰度值进行从高到低排序,或从低到高排序,排序后,清晰度值小的视频文件的清晰度高于清晰度值大的视频文件。
清晰度获取模块124还用于获取同样内容的多个视频文件的结构相似度平均值曲线。
判断模块126用于两两计算结构相似度平均值曲线对应点的方差值,所述方差值位于预设容差范围内时,所述两个视频文件的清晰度相同。具体的,预先设定容差范围,该容差范围可根据需要设定,如[0,0.5]。以两条结构相似度平均值曲线为例,获取两条曲线上对应点的值,然后求差的平方,再求取得的多个对应点的差的平方的平均值,即为方差值,判断该方差值是否位于预设容差范围内,若是,则两个视频文件的清晰度相同。
在一个实施例中,如图8所示,上述视频清晰度测量系统除了包括视频预处理服务器110和图像清晰度处理服务器120,还包括视频清晰度标记服务器130、数据库140、下载客户端150、离线下载任务管理服务器160、离线下载任务调度服务器170、离线数据库180、离线下载服务器190、云存储服务器200和统计服务器210。其中:
视频清晰度标记服务器130用于设定阈值范围,对清晰度值大于阈值范围中最大值的视频文件标记模糊视频文件标识,对清晰度值位于所述阈值范围中的视频文件标记标清视频文件标识,对清晰度值小于所述度阈值范围中最小值的视频文件标记高清视频文件标识。具体的,阈值范围可根据视频文件的清晰度值进行设定,选择其中一个范围内的清晰度值作为表示标清视频文件的标准。清晰度值小于该阈值范围中最小值的视频文件表示是高清视频文件。通过标记不同的标识,方便用户快速直观的区分视频文件的清晰度。
数据库140用于存储视频文件与抽取的多张目标图像的关联关系,以及标记的视频文件,存储标记高清标识或标清标识的视频文件。如此不需存储标记模糊标识的视频文件,可节省服务器的磁盘空间。
下载客户端150用于请求下载视频文件时,离线下载服务器190用于将标记不同清晰度的标识的视频缩略图及对应的下载地址返回给下载客户端150;在下载客户端150上显示带有标识的视频缩略图及对应的下载地址;下载客户端150获取选择的标识对应的下载地址,并上传到离线下载服务器190,离线下载服务器190从数据库140中提取对应的视频文件返回给下载客户端150。用户不需下载视频文件通过标识即可区分视频文件的清晰度。例如,在WEB网页上显示带有高清标识的视频缩略图、带标清标识的视频缩略图、带模糊标识的视频缩略图及对应的下载地址,用户可直观的通过标识区分视频文件的清晰度。
下载客户端150用于向离线下载任务管理服务器160提交离线下载任务,向统计服务器210汇报本次下载任务的下载时间、下载速度、下载结果、文件大小、下载的原始链接和不同URL源获取的下载速度和下载时间,并对下载过程中下载完成的数据分片进行校验,发现数据分片错误,向统计服务器210汇报。此外,下载客户端150还可查询离线下载的进度信息。
离线下载任务管理服务器160接收下载客户端150提交的离线下载任务,为每个独立的离线下载任务生成唯一的标识编号,将离线下载任务的原始链接信息写入离线数据库180中,并接收离线下载任务调度服务器170下载进度的上报,以及供下载客户端150查询离线下载进度。离线数据库180用于存储离线下载任务的原始链接信息以及离线下载完的数据。
离线下载任务调度服务器170用于对离线下载任务请求进行排重处理,将同一个离线下载请求只需向离线下载服务器190发送一次,且根据离线下载服务器170的负载情况,动态将离线下载任务调度到不同的离线下载服务器190上。
离线下载服务器190用于接收离线下载任务调度服务器170的调度,从离线数据库180中获取原始链接信息,执行下载任务,向离线下载任务调度服务器170汇报离线下载的进度和速度信息。此外,离线下载服务器190还向离线下载任务调度服务器170注册自己的地址,提供磁盘空间、CPU负载信息的上报等。具体的,不同用户可以共享同一个离线下载任务的离线下载进度和速度信息。
离线下载任务调度服务器170还用于接收离线下载服务器190上报的下载进度、速度信息,并将其同步到离线下载任务管理服务器160。
此外,离线下载任务管理服务器160还可根据离线下载任务请求从离线数据库180中查找是否存在下载完成的对应的数据,若存在,则不需再次下载,并通知下载客户端150离线下载成功。
云存储服务器200用于存储离线下载服务器190下载完成的数据,并提供下载客户端150取回下载完成的数据。
上述视频清晰度测量方法和系统,采用获取视频文件,对视频文件抽取多张目标图像,对目标图像处理得到模糊图像,对目标图像和模糊图像划分多个子图向量,获取子图向量的结构相似度平均值,进而得到结构相似度平均值曲线,对曲线积分得到积分值,将积分值作为清晰度值,得到的积分值是根据视频文件自身的特征进行计算得到的,不需依赖于历史数据等因素,提高了清晰度识别的准确性。
另外,通过对视频文件的清晰度进行标记,方便用户下载相应的视频文件之前,可快速的选择所需的清晰度高的视频文件,也可方便用户选择清晰度高的视频文件进行分享,通过比较两个视频文件的清晰度值可判断两个视频文件的清晰度的情况。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (18)
1.一种视频清晰度测量方法,包括以下步骤:
获取视频文件;
按预设采样时间点起按预设时间间隔从所述视频文件中抽取多张目标图像;
对抽取的每张目标图像进行预处理得到对应的模糊图像,对每张目标图像进行提取得到多个子图向量,以及对对应的模糊图像进行提取得到多个子图向量;
获取每张目标图像及对应的模糊图像中对应的多个子图向量的结构相似度平均值,将所述多个子图向量的结构相似度平均值作为每张目标图像的结构相似度平均值,获取多张目标图像的结构相似度平均值得到多个结构相似度平均值;
根据所述多个结构相似度平均值、预设采样时间点及预设时间间隔绘制结构相似度平均值曲线,并获取所述结构相似度平均值曲线的积分值,所述积分值作为所述视频的清晰度值。
2.根据权利要求1所述的视频清晰度测量方法,其特征在于,所述对抽取的每张目标图像进行预处理得到对应的模糊图像的步骤具体为:
对抽取的每张目标图像进行滤波处理得到对应的模糊图像。
3.根据权利要求1所述的视频清晰度测量方法,其特征在于,所述对每张目标图像及对应的模糊图像进行提取分别得到多个子图向量的步骤具体为:
对每张目标图像及对应的模糊图像进行提取梯度,得到对应的纹理结构图像;
分别循环遍历所述目标图像的纹理结构图像及对应的模糊图像的纹理结构图像,分别得到对应的多个子图向量。
4.根据权利要求1所述的视频清晰度测量方法,其特征在于,还包括步骤:
获取不同视频文件的结构相似度平均值曲线的积分值;
对不同视频文件的结构相似度平均值曲线的积分值进行排序。
5.根据权利要求1所述的视频清晰度测量方法,其特征在于,还包括步骤:获取同样内容的多个视频文件的清晰度值;
对所述同样内容的视频文件进行清晰度标记。
6.根据权利要求5所述的视频清晰度测量方法,其特征在于,所述对所述同样内容的视频文件进行清晰度标记的步骤包括:
设定阈值范围;
对清晰度值大于所述阈值范围中最大值的视频文件标记表示模糊视频文件的标识,对清晰度值位于所述阈值范围中的视频文件标记表示标清视频文件的标识,对清晰度值小于所述阈值范围中最小值的视频文件标记表示高清视频文件的标识。
7.根据权利要求1所述的视频清晰度测量方法,其特征在于,还包括步骤:
获取同样内容的多个视频文件的结构相似度平均值曲线;
两两比较结构相似度平均值曲线对应点的方差值,所述方差值位于预设容差范围内时,所述两个视频文件的清晰度相同。
8.根据权利要求1所述的视频清晰度测量方法,其特征在于,在所述按预设采样时间点起按预设时间间隔从所述视频文件中抽取多张目标图像的步骤之后,还包括步骤:
将所述视频文件与所述抽取的多张目标图像的关联关系进行存储。
9.根据权利要求1所述的视频清晰度测量方法,其特征在于,所述获取视频文件的步骤具体包括:
从云存储服务器获取视频文件。
10.一种视频清晰度测量系统,其特征在于,包括:
视频预处理服务器,用于获取视频文件,按预设采样时间点起按预设时间间隔从所述视频文件中抽取多张目标图像;
图像清晰度处理服务器,所述图像清晰度获取服务器包括:
预处理模块,用于对抽取的每张目标图像进行预处理得到对应的模糊图像;
提取模块,用于对每张目标图像进行提取得到多个子图向量,以及对对应的模糊图像进行提取得到多个子图向量;
相似度获取模块,用于获取每张目标图像及对应的模糊图像中对应的多个子图向量的结构相似度平均值,将所述多个子图向量的结构相似度平均值作为每张目标图像的结构相似度平均值,获取多张目标图像的结构相似度平均值得到多个结构相似度平均值;
清晰度获取模块,用于根据所述多个结构相似度平均值、预设采样时间点及预设时间间隔绘制结构相似度平均值曲线,并获取所述结构相似度平均值曲线的积分值,所述积分值作为所述视频的清晰度值。
11.根据权利要求10所述的视频清晰度测量系统,其特征在于,所述预处理模块还用于对抽取的每张目标图像进行滤波处理得到对应的模糊图像。
12.根据权利要求10所述的视频清晰度测量系统,其特征在于,所述提取模块还用于对每张目标图像及对应的模糊图像进行提取梯度,得到对应的纹理结构图像,以及分别循环遍历所述目标图像的纹理结构图像及对应的模糊图像的纹理结构图像,分别得到对应的多个子图向量。
13.根据权利要求10所述的视频清晰度测量系统,其特征在于,所述清晰度获取模块还用于获取不同视频文件的清晰度值;
所述图像清晰度处理服务器还包括:
排序模块,用于对不同视频文件的结构相似度平均值曲线的积分值进行排序。
14.根据权利要求10所述的视频清晰度测量系统,其特征在于,所述清晰度获取模块还用于获取同样内容的多个视频文件的清晰度值;
所述视频清晰度测量系统还包括:
视频清晰度标记服务器,用于对所述同样内容的视频文件进行清晰度标记。
15.根据权利要求14所述的视频清晰度测量系统,其特征在于,所述视频清晰度标记服务器还用于设定阈值范围,对清晰度值大于所述阈值范围中最大值的视频文件标记表示模糊视频文件的标识,对清晰度值位于所述阈值范围中的视频文件标记表示标清视频文件的标识,对清晰度值小于所述阈值范围中最小值的视频文件标记表示高清视频文件的标识。
16.根据权利要求10所述的视频清晰度测量系统,其特征在于,所述清晰度获取模块还用于获取同样内容的多个视频文件的结构相似度平均值曲线;
所述图像清晰度处理服务器还包括:
判断模块,用于两两计算结构相似度平均值曲线对应点的方差值,所述方差值位于预设容差范围内时,所述两个视频文件的清晰度相同。
17.根据权利要求10所述的视频清晰度测量系统,其特征在于,还包括:
数据库,用于存储所述视频文件与所述抽取的多张目标图像的关联关系。
18.根据权利要求10所述的视频清晰度测量系统,其特征在于,所述视频预处理服务器还用于从云存储服务器获取视频文件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210261645.1A CN103581662B (zh) | 2012-07-26 | 2012-07-26 | 视频清晰度测量方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210261645.1A CN103581662B (zh) | 2012-07-26 | 2012-07-26 | 视频清晰度测量方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103581662A CN103581662A (zh) | 2014-02-12 |
CN103581662B true CN103581662B (zh) | 2016-08-31 |
Family
ID=50052441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210261645.1A Active CN103581662B (zh) | 2012-07-26 | 2012-07-26 | 视频清晰度测量方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103581662B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104394377B (zh) * | 2014-12-08 | 2018-03-02 | 浙江省公众信息产业有限公司 | 一种监控图像的模糊异常的识别方法及装置 |
CN107784645A (zh) * | 2016-08-26 | 2018-03-09 | 广州康昕瑞基因健康科技有限公司 | 图像清晰度评价方法及系统、自动聚焦方法 |
CN110366001B (zh) * | 2018-04-09 | 2022-05-27 | 腾讯科技(深圳)有限公司 | 视频清晰度的确定方法和装置、存储介质、电子装置 |
CN112714246A (zh) * | 2019-10-25 | 2021-04-27 | Tcl集团股份有限公司 | 连拍照片获取方法、智能终端及存储介质 |
CN111836073B (zh) * | 2020-07-10 | 2022-02-22 | 腾讯科技(深圳)有限公司 | 视频清晰度的确定方法、装置、设备及存储介质 |
CN112135140B (zh) * | 2020-09-17 | 2023-11-28 | 上海连尚网络科技有限公司 | 视频清晰度识别方法、电子设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1809175A (zh) * | 2005-01-17 | 2006-07-26 | 华为技术有限公司 | 一种视频质量评估方法 |
CN101123737A (zh) * | 2006-08-08 | 2008-02-13 | 安捷伦科技有限公司 | 基于分组度量和图像度量两者测量视频质量的系统和方法 |
CN101715146A (zh) * | 2008-10-08 | 2010-05-26 | 中国移动通信集团公司 | 压缩视频质量评价方法及评价系统 |
CN101789091A (zh) * | 2010-02-05 | 2010-07-28 | 上海全土豆网络科技有限公司 | 视频清晰度自动识别系统及其方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5390506B2 (ja) * | 2007-04-13 | 2014-01-15 | アイファロ メディア ゲーエムベーハー | ビデオ検出システムおよびビデオ検出方法 |
-
2012
- 2012-07-26 CN CN201210261645.1A patent/CN103581662B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1809175A (zh) * | 2005-01-17 | 2006-07-26 | 华为技术有限公司 | 一种视频质量评估方法 |
CN101123737A (zh) * | 2006-08-08 | 2008-02-13 | 安捷伦科技有限公司 | 基于分组度量和图像度量两者测量视频质量的系统和方法 |
CN101715146A (zh) * | 2008-10-08 | 2010-05-26 | 中国移动通信集团公司 | 压缩视频质量评价方法及评价系统 |
CN101789091A (zh) * | 2010-02-05 | 2010-07-28 | 上海全土豆网络科技有限公司 | 视频清晰度自动识别系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103581662A (zh) | 2014-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103581662B (zh) | 视频清晰度测量方法和系统 | |
CN112565825B (zh) | 一种视频数据处理方法、装置、设备以及介质 | |
US10735494B2 (en) | Media information presentation method, client, and server | |
CN109145784B (zh) | 用于处理视频的方法和装置 | |
CN107431828B (zh) | 用于识别相关媒体内容的方法和系统 | |
RU2612378C1 (ru) | Способ замены объектов в потоке видео | |
US9047376B2 (en) | Augmenting video with facial recognition | |
JP5934653B2 (ja) | 画像分類装置、画像分類方法、プログラム、記録媒体、集積回路、モデル作成装置 | |
CN104750737B (zh) | 一种相册管理方法及装置 | |
CN107534796A (zh) | 检测视频节目的片段 | |
CN108012162A (zh) | 内容推荐方法及装置 | |
CN103929653B (zh) | 增强现实视频生成器、播放器及其生成方法、播放方法 | |
CN104394422A (zh) | 一种视频分割点获取方法及装置 | |
US20160171283A1 (en) | Data-Enhanced Video Viewing System and Methods for Computer Vision Processing | |
US11853357B2 (en) | Method and system for dynamically analyzing, modifying, and distributing digital images and video | |
CN104216956B (zh) | 一种图片信息的搜索方法和装置 | |
CN105872717A (zh) | 视频处理方法及系统、视频播放器与云服务器 | |
CN110199323A (zh) | 用于定义、捕获、组装和显示定制视频内容的系统和方法 | |
CN113784171B (zh) | 视频数据处理方法、装置、计算机系统及可读存储介质 | |
CN104462526B (zh) | 面向高分辨率遥感影像的多人在线协同快速矢量化方法 | |
CN113766330A (zh) | 基于视频生成推荐信息的方法和装置 | |
CN105657514A (zh) | 一种在移动设备浏览器中视频播放关键信息的方法及装置 | |
CN104821001A (zh) | 内容管理系统、管理内容生成方法、管理内容再生方法、程序以及记录介质 | |
CN110827312A (zh) | 一种基于协同视觉注意力神经网络的学习方法 | |
CN110189333A (zh) | 一种图片语义分割半自动标注方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |