CN107396104B - 一种视频量化参数盲估计方法 - Google Patents
一种视频量化参数盲估计方法 Download PDFInfo
- Publication number
- CN107396104B CN107396104B CN201710751292.6A CN201710751292A CN107396104B CN 107396104 B CN107396104 B CN 107396104B CN 201710751292 A CN201710751292 A CN 201710751292A CN 107396104 B CN107396104 B CN 107396104B
- Authority
- CN
- China
- Prior art keywords
- coefficient
- video
- frequency
- group
- quantization step
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/102—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or selection affected or controlled by the adaptive coding
- H04N19/124—Quantisation
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/85—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using pre-processing or post-processing specially adapted for video compression
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种视频量化参数盲估计方法,其步骤包括设置量化步长参数阈值、视频区域分块、计算视频块的DCT系数、DCT系数重组、量化以及估计量化步长等。本发明无需原始未经量化的视频作为参考,也不受待测视频信号的形式(未解码/已解码)和所携带压缩参数的限制;既能估计出待测视频信号在量化处理以后没有进行其他后处理的量化步长,又能估计出待测视频信号在量化处理后进行了额外滤波后处理的量化步长;本发明不仅适用于智能视频传输系统自动控制接收端视频质量,而且适用于视频内容安全性认证。
Description
技术领域
本发明属于信号处理领域,涉及视频图像处理技术,特别是一种视频量化参数盲估计方法。
背景技术
随着“全媒体”产业的兴起和发展,以视频形式呈现的可视化数字媒体快速而广泛地渗透到人们生活的各个领域。今天,可视化数字媒体以其具有的实时、形象、直观性被视为提供新闻、体育、娱乐和信息的主要方式之一。由于视频信息被盗版或篡改的情况越来越频繁和普遍,盗版/篡改后的可视化数字媒体对人们的影响巨大,改变甚至扭曲着人们对图像/视频所反映事件的态度。因此可靠性、准确性成为可视化数字媒体长期生存的必备条件,视频信息的处理历史是判断数字媒体可靠性和准确性的重要依据。
量化,是视频压缩编码的主要技术之一,是目前可视化数字信号处理的必要环节之一。该技术能大幅度减小可视化数字媒体信号占用的传输带宽和存储空间并直接掌控着视频信号的质量。量化参数估计是一项估计视频信号原始量化步长的技术,属于视频信号处理的历史追踪范畴,具有广泛的应用范围。在视频取证领域量化步长估计技术能追踪视频压缩历史,判断该视频是否被篡改并定位被篡改区域,检测视频信息的可靠性和准确性;在视频传输领域量化步长估计技术能在接收端实时判断当前视频的质量,并及时反馈给发送端起到优化传输带宽利用率从而大幅度提高视频质量的目的;在视频非线性编缉领域量化步长估计技术能协助估计待编辑的视频材料质量,使得编辑后的视频节目质量具备一致性提高用户的视觉体验度。
现有的视频量化步长估计技术大多是基于视频DCT系数的统计特征估计量化步长,比如DCT系数的直方图、DCT系数的峰值、DCT系数直方图功率谱一阶导数。其中Yang和Luo提出了根据DCT系数直方图因子的单调性,通过在直方图因子中定位局部最大值的容积指数来估计量化步长的算法。该算法能估计出每个DCT频率的量化步长,准确达到90%以上。
但是目前现有的基于视频DCT系数统计特征的量化步长估计算法仅仅适用于待检测的视频在DCT系数量化处理以后没有其他后处理过程的情况。如果待检测的视频在DCT系数量化处理以后进行了其他后处理如环路滤波、去方块效应滤波等,基于视频DCT系数统计特征的量化步长估计算法将无法估计出原始的量化步长。如图1所示,原始视频与经过量化压缩编码后的视频主要DCT系数值具有相似的分布,压缩编码并解码后的视频DCT系数不再保留任何量化步长信息。
发明内容
为克服现有视频量化步长估计技术完全依赖于DCT系数的统计特征而不能适用于视频在DCT系数量化处理以后进行了其他后处理情况下的量化步长估计,本发明公开了一种适用于任意视频信号的量化参数盲估计方法。
本发明根据视频信号的重量化质量曲线特征估计出待测视频各频率成份的量化步长。本发明无需原始未经量化的视频作为参考,也不受待测视频信号的形式(未解码/已解码)和所携带压缩参数的限制;既能估计出待测视频信号在量化处理以后没有进行其他后处理的量化步长,又能估计出待测视频信号在量化处理后进行了额外滤波后处理的量化步长,且估计精度高达99%;本发明不仅适用于智能视频传输系统自动控制接收端视频质量,而且适用于视频内容安全性认证。
本发明所述的适用于任意视频信号的量化参数估计方法,一种视频量化参数盲估计方法,其特征在于,包括如下步骤:
步骤1:设置量化步长参数阈值Tq,并按下面的(1)式计算待选量化步长集{QS(k)};
其中round()表示四舍五入到整数位函数;
步骤2:将待测视频区域按照从左到右、从上到下的顺序分为M个Bx×By大小的视频块,M视待测区域大小而定,Bx、By分别表示水平和垂直方向视频块中像素点个数;
步骤3:先按下面(2)式计算视频块的DCT系数;然后对所有视频块的频率系数进行重组为Bx×By个频率系数数组,其中每个视频块第i个位置的频率系数组合到第i个频率系数数组{Fi(n)}(n=1,2,3,…,M,i=1,2,3,…Bx×By);
其中f(i,j)为视频块中像素值;
步骤4:对每个频率系数数组进行检查如果整个数组的所有频率系数绝对值均小于QS(0),则排除该频率系数数组不作量化步长估计,其量化步长与{F1(n)}组的量化步长记为一致;
步骤5:按式(3)对第i组频率系数数组中的频率系数Fi(n)进行重新量化处理,得到第i组频率系数第k级量化步长下的重构值
其中round()表示四舍五入到整数位函数;
步骤6:按照(4)式计算出第i组频率系数数组在不同量化步长作用下的重量化质量数组{PSNRi(k)}:
其中
步骤7:先按(5)式计算第i组频率系数的质量数组的二阶差分函数{Δ2PSNRi(k)};再按(6)式计算第i组频率系数的最佳量化步长指数并确定估计的最佳量化步长
其中max{}为求最大值函数,表示求取使得-(Δ2PSNRi(k))达到最大的k值;
步骤8:根据第1组频率系数计算出第1组频率系数的最佳量化步长以及第1组频率系数的质量数组的二阶差分函数{Δ2PSNR1(k)},同时设置质量数组的二阶差分函数阈值T,用以确定是否需要再进一步进行区域划分,即如果-(Δ2PSNR1(index))≤T,或者待测视频区域大小大于Bx×By,表明需要进一步进行区域划分,则转步骤9;反之则不需要进一步进行区域划分,转步骤10;
步骤9:将待测视频区域进行水平和垂直平均分割成四个原始1/4大小的区域,转步骤1;
步骤10:重复步骤5~步骤7,计算出i>1的所有估计的最佳量化步长同时如果-(Δ2PSNR1(index))≤T且i>1,则第i组频率系数的最佳量化步长记录为第1组频率系数的最佳量化步长;
步骤11:重复步骤2~步骤10,遍历所有的待测视频区域,得到所有视频区域所有频率系数的最佳量化步长。
上述一种视频量化参数盲估计方法,还可以是,所述步骤2中Bx=8,By=8或者Bx=4,By=4。
上述一种视频量化参数盲估计方法,还可以是,所述步骤1中N=52。
上述一种视频量化参数盲估计方法,还可以是,所述步骤1中Tq=21。
上述一种视频量化参数盲估计方法,还可以是,所述步骤8中T=0.95。
附图说明
图1为原始视频与经过量化压缩编码后的视频主要DCT系数分布图;
图2示出本发明所述视频量化参数盲估计方法的一种具体实施方式流程示意图;
图3示出本发明所述对所有块的频率系数进行重组为Bx×By个频率系数数组示意图;
图4示出本发明锯齿形扫描顺序图;
图5示出本发明小量化步长的估计结果图;
图6示出本发明中等量化步长的估计结果图;
图7示出本发明大量化步长的估计结果图。
具体实施方式
下面结合附图,对本发明的具体实施方式作进一步的详细说明。
实施例1:图像大小为352×288的视频图像,参见图2
步骤1:设置量化步长参数阈值Tq,并按下面的(1)式计算待选量化步长集{QS(k)};
其中round()表示四舍五入到整数位函数。
本步骤中的k为自然数,k取的最大值越大,则量化步长变化范围越大,但是计算复杂度也需要相应增加,本实施例将k的最大取值定为52,即N=52,这样53级呈指数增长的量化步长已完全覆盖了目前所有的视频图像。而Tq则为量化步长参数阈值,其取值的大小影响量化步长按指数增长的变化精确度,Tq越大所需变量存储空间越大,一般取值在20~24之间,本实施例中Tq取值为21。
步骤2:在具体实现本方法的时候,首先需要确定的是需要本方法的待测视频区域,如果没有明确的划分待测视频区域,则可以将整副图像全部视为待测视频区域,本实施例中将整个图像均视为一个待测视频区域。通常将待测视频区域按照从左到右、从上到下的顺序分为M个Bx×By大小的视频块,M视待测区域大小而定,Bx、By分别表示水平和垂直方向视频块中像素点个数;其中Bx以及By一般在4~16之间,通常将其设置为Bx=8,By=8或者Bx=4,By=4。本实施例中将其设置成Bx=4,By=4,因此352×288的视频图像可以分成6336个(=88×72)视频块,即M=6336。
步骤3:先按下面(2)式计算视频块的DCT系数;DCT(离散余弦变换)是广泛应用于视频图像压缩处理的一种常见方法,DCT系数体现了DCT运算结果,反应了像素点的频谱特征。
其中f(i,j)为视频块中像素值。
上述计算出来的每一块的DCT系数A可以构成1个Bx×By阶矩阵,本实施例中计算出来的为一个4×4阶的矩阵。
然后对所有视频块的频率系数进行重组为Bx×By个频率系数数组,如图3所示,其中每个视频块第i个位置的频率系数组合到第i个频率系数数组{Fi(n)}(n=1,2,3,…,M,i=1,2,3,…Bx×By)中。另外其中i的取值按照锯齿形扫描顺序如图4所示。
步骤4:对每个频率系数数组进行检查如果整个数组的所有频率系数绝对值均小于QS(0),则排除该频率系数数组不作量化步长估计,其量化步长与{F1(n)}组的量化步长记为一致。
步骤5:按式(3)对第i组频率系数数组中的频率系数Fi(n)进行重新量化处理,得到第i组频率系数第k级量化步长下的重构值
其中round()表示四舍五入到整数位函数。
步骤6:按照(4)式计算出第i组频率系数数组在不同量化步长作用下的重新量化质量数组{PSNRi(k)}:
其中
步骤7:先按(5)式计算第i组频率系数的质量数组的二阶差分函数{Δ2PSNRi(k)};再按(6)式计算第i组频率系数的最佳量化步长指数并确定估计的最佳量化步长
其中max{}为求最大值函数,表示求取使得-(Δ2PSNRi(k))达到最大的k值。
步骤8:根据第1组频率系数计算出第1组频率系数的最佳量化步长以及第1组频率系数的质量数组的二阶差分函数{Δ2PSNR1(k)},同时设置质量数组的二阶差分函数阈值T,用以确定是否需要再进一步进行区域划分,即如果-(Δ2PSNR1(index))≤T,或者待测视频区域大小大于Bx×By,表明需要进一步进行区域划分,则转步骤9;反之则不需要进一步进行区域划分,转步骤10。需要说明的是质量数组的二阶差分函数阈值T取值的大小影响测试视频的区域划分情况,一般取值为0.5~2。
步骤9:将待测视频区域进行水平和垂直平均分割成四个原始1/4大小的区域,转步骤1;
步骤10:重复步骤5~步骤7,计算出i>1的所有估计的最佳量化步长同时如果-(Δ2PSNRi(index))≤T且i>1,则第i组频率系数的最佳量化步长记录为第1组频率系数的最佳量化步长;本步骤的目的是要求出该视频区域中所有的最佳量化步长。
步骤11:重复步骤2~步骤10,遍历所有的待测视频区域,得到所有视频区域所有频率系数的最佳量化步长。
实施例2:三个4×4大小的视频块
步骤1:设置量化步长参数阈值Tq=21,并按下面的(1)式计算待选量化步长集{QS(k)};
其中round()表示四舍五入到整数位函数。
步骤2:本实施例中将待测视频区域已经为为3个4×4大小的视频块,即本实施例中M=3。
步骤3:按(2)式计算视频块的DCT系数矩阵A1~A3;
其中f(i,j)为视频块中像素值。
其中
对该块的频率系数进行重组为16个频率系数数组,每个块第i个位置的系数组合到第i个频率系数数组Fi(n)中,其中i的取值按照锯齿形扫描顺序,共计16个数组:{377.25,156,442}、{39.1624,0,13}、{-26.0265,0,-26.0271}、{77.75,0,13}、{-52.2362,0,12.8640}、{-13.25,0,13}、{-13.245,0,0.0272}、{13.1081,0,13,}、{25.4548,0,-13}、{-51.7276,0,12.9456}、{-13.2583,0,0.5}、{0.25,0,0}、{-13.2583,0,-0.5}、{12.4571,0,-0.0272}、{12.7005,0 0.0272}、{-0.2638,0,0.136}
步骤4:对每个频率系数数组进行检查如果整个数组的所有频率系数绝对值均小于QS(0),则排除该频率系数数组不作量化步长估计,其量化步长与{F1(n)}组的量化步长记为一致;本实施例中排除{0.25,0,0}、{-0.2638,0,0.136}两组。
步骤5:按式(3)对第i组频率系数数组中的频率系数Fi(n)进行重新量化处理,得到第i组频率系数第k级量化步长下的重构值
其中round()表示四舍五入到整数位函数。
其中第1组频率系数重构值如下:
步骤6:按照(4)式计算出第i组频率数组在不同量化步长作用下的重量化质量数组{PSNRi(k)}:
其中第1组重量化质量数组如下:
步骤7:先按(5)式计算第i组频率系数的质量数组的二阶差分函数{Δ2PSNRi(k)};再按(6)式计算第i组频率系数的最佳量化步长指数并确定估计的最佳量化步长
其中max{}为求最大值函数,表示求取使得-(Δ2PSNRi(k))达到最大的k值;
第1组质量数组的二阶差分函数如下:
计算第i组频率系数最佳量化步长指数index,并确定其估计的量化步长;第1组频率系数最佳量化步长指数index=26,量化步长为
步骤8:根据第1组频率系数计算出第1组频率系数的最佳量化步长以及第1组频率系数的质量数组的二阶差分函数{Δ2PSNR1(k)},同时设置质量数组的二阶差分函数阈值T,用以确定是否需要再进一步进行区域划分,即如果-(Δ2PSNR1(index))≤T,或者待测视频区域大小大于4×4,表明需要进一步进行区域划分,则转步骤9;反之则不需要进一步进行区域划分,转步骤10;本实施例中质量数组的二阶差分函数阈值T设置为0.95,index=26,对应的-(Δ2PSNR1(index))=52.8500>T,因此不需要进行再进一步进行区域划分,直接转步骤10。
步骤9:将待测视频区域进行水平和垂直平均分割成四个原始1/4大小的区域,转步骤1;
步骤10:重复步骤5~步骤7,计算出i>1的所有估计的最佳量化步长同时如果-(Δ2PSNRi(index))≤T且i>1,则第i组频率系数的最佳量化步长记录为第1组频率系数的最佳量化步长;
步骤11:重复步骤2~步骤10,遍历所有的待测视频区域,得到所有视频区域所有频率系数的最佳量化步长。
下表1给出了将本发明与现有技术的视频量化步长估计方法的比较结果:
表1
图5是本发明所述小量化步长的估计结果图,表明了待测视频区域为小量化步长时本发明方法的估计结果。
图6示出本发明所述中等量化步长的估计结果图;表明了待测视频区域为中等量化步长时本发明方法的估计结果。
图7示出本发明所述大量化步长的估计结果图,表明了待测视频区域用大量化步长时本发明方法的估计结果。
以上三图可以看出,本发明能够准确地估计出各种范围的量化步长,远比比一般方法好。
本发明的优越性和技术效果如下:
1.本发明提出了一种视频量化参数盲估计的方法,该方法能准确地估计出任意视频信号的量化参数而无需任何待测视频信号本身之外的额外信息。
2.本发明适用于普通视频信号的量化参数估计,既能估计出待测视频信号在量化处理以后没有进行其他后处理的量化步长,又能估计出待测视频信号在量化处理后进行了额外滤波后处理的量化步长。
3.本发明既能估计出整个视频帧用统一量化步长进行量化的量化步长参数又能估计同一视频帧不同区域用不同量化步长进行量化的量化步长参数,且估计精度高达99%。
前文所述的为本发明的各个优选实施例,各个优选实施例中的优选实施方式如果不是明显自相矛盾或以某一优选实施方式为前提,各个优选实施方式都可以任意叠加组合使用,所述实施例以及实施例中的具体参数仅是为了清楚表述发明人的发明验证过程,并非用以限制本发明的专利保护范围,本发明的专利保护范围仍然以其权利要求书为准,凡是运用本发明的说明书及附图内容所作的等同结构变化,同理均应包含在本发明的保护范围内。
Claims (5)
1.一种视频量化参数盲估计方法,其特征在于按照以下步骤进行:
步骤1:设置量化步长参数阈值Tq,并按下面的(1)式计算待选量化步长集{QS(k)};
其中round()表示四舍五入到整数位函数;
步骤2:将待测视频区域按照从左到右、从上到下的顺序分为M个Bx×By大小的视频块,M视待测区域大小而定,Bx、By分别表示水平和垂直方向视频块中像素点个数;
步骤3:先按下面(2)式计算视频块的DCT系数;然后对所有视频块的频率系数进行重组为Bx×By个频率系数数组,其中每个视频块第i个位置的频率系数组合到第i个频率系数数组{Fi(n)}(n=1,2,3,…,M,i=1,2,3,…Bx×By);
其中f(i,j)为视频块中像素值;
步骤4:对每个频率系数数组进行检查如果整个数组的所有频率系数绝对值均小于QS(0),则排除该频率系数数组不作量化步长估计,其量化步长与{F1(n)}组的量化步长记为一致;
步骤5:按式(3)对第i组频率系数数组中的频率系数Fi(n)进行重新量化处理,得到第i组频率系数第k级量化步长下的重构值
其中round()表示四舍五入到整数位函数;
步骤6:按照(4)式计算出第i组频率系数数组在不同量化步长作用下的重量化质量数组{PSNRi(k)}:
其中
步骤7:先按(5)式计算第i组频率系数的质量数组的二阶差分函数{Δ2PSNRi(k)};再按(6)式计算第i组频率系数的最佳量化步长指数并确定估计的最佳量化步长
Δ2PSNRi(k)=PSNRi(k+1)-2PSNRi(k)+PSNRi(k-1),
其中k=1,…N-1; (5)
其中max{}为求最大值函数,表示求取使得-(Δ2PSNRi(k))达到最大的k值;
步骤8:根据第1组频率系数计算出第1组频率系数的最佳量化步长以及第1组频率系数的质量数组的二阶差分函数{Δ2PSNR1(k)},同时设置质量数组的二阶差分函数阈值T,用以确定是否需要再进一步进行区域划分,即如果-(Δ2PSNR1(index))≤T,或者待测视频区域大小大于Bx×By,表明需要进一步进行区域划分,则转步骤9;反之则不需要进一步进行区域划分,转步骤10;
步骤9:将待测视频区域进行水平和垂直平均分割成四个原始1/4大小的区域,转步骤1;
步骤10:重复步骤5~步骤7,计算出i>1的所有估计的最佳量化步长同时如果-(Δ2PSNRi(index))≤T且i>1,则第i组频率系数的最佳量化步长记录为第1组频率系数的最佳量化步长;
步骤11:重复步骤2~步骤10,遍历所有的待测视频区域,得到所有视频区域所有频率系数的最佳量化步长。
2.按照权利要求1所述一种视频量化参数盲估计方法,其特征在于:所述步骤2中Bx=8,By=8或者Bx=4,By=4。
3.按照权利要求1所述一种视频量化参数盲估计方法,其特征在于:所述步骤1中N=52。
4.按照权利要求1所述一种视频量化参数盲估计方法,其特征在于:所述步骤1中Tq=21。
5.按照权利要求1所述一种视频量化参数盲估计方法,其特征在于:所述步骤8中T=0.95。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751292.6A CN107396104B (zh) | 2017-08-28 | 2017-08-28 | 一种视频量化参数盲估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710751292.6A CN107396104B (zh) | 2017-08-28 | 2017-08-28 | 一种视频量化参数盲估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107396104A CN107396104A (zh) | 2017-11-24 |
CN107396104B true CN107396104B (zh) | 2019-07-12 |
Family
ID=60347047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710751292.6A Active CN107396104B (zh) | 2017-08-28 | 2017-08-28 | 一种视频量化参数盲估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107396104B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105592312A (zh) * | 2015-12-18 | 2016-05-18 | 电子科技大学 | 一种基于重构的无参考视频图像质量估计方法 |
CN105681784A (zh) * | 2016-01-20 | 2016-06-15 | 中山大学 | 一种基于h264/avc视频的psnr盲估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100498332B1 (ko) * | 2002-10-24 | 2005-07-01 | 엘지전자 주식회사 | 비디오 트랜스코더의 적응적 비트율 제어장치 및 방법 |
-
2017
- 2017-08-28 CN CN201710751292.6A patent/CN107396104B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105592312A (zh) * | 2015-12-18 | 2016-05-18 | 电子科技大学 | 一种基于重构的无参考视频图像质量估计方法 |
CN105681784A (zh) * | 2016-01-20 | 2016-06-15 | 中山大学 | 一种基于h264/avc视频的psnr盲估计方法 |
Non-Patent Citations (1)
Title |
---|
视频转码新技术研究;邬震宇;《电子科技大学博士学位论文》;20111231;全文 |
Also Published As
Publication number | Publication date |
---|---|
CN107396104A (zh) | 2017-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106062816B (zh) | 用于对hdr图像进行编码和解码的方法和装置 | |
Ma et al. | Reduced-reference image quality assessment using reorganized DCT-based image representation | |
US10034005B2 (en) | Banding prediction for video encoding | |
CN102685548B (zh) | 视频质量的无参评估方法 | |
CN101606320B (zh) | 用于估计归因于数据量化的失真的方法和设备 | |
CN102611823B (zh) | 一种基于图片内容选择压缩算法的方法和设备 | |
US10009611B2 (en) | Visual quality measure for real-time video processing | |
CN101605272B (zh) | 一种部分参考型图像客观质量评价方法 | |
Wang et al. | Novel spatio-temporal structural information based video quality metric | |
CN104378636B (zh) | 一种视频图像编码方法及装置 | |
CN107197297B (zh) | 一种检测基于dct系数隐写的视频隐写分析方法 | |
CN102572499B (zh) | 基于小波变换多分辨率预测的无参考图像质量评价方法 | |
CN103067713A (zh) | 一种位图jpeg压缩检测的方法及系统 | |
CN103596006A (zh) | 基于视觉冗余度量的图像压缩方法 | |
CN104581158B (zh) | 量化表、图像压缩处理方法、装置、终端及图像搜索系统 | |
CN105279742B (zh) | 一种快速的基于分块噪声能量估计的图像去噪方法 | |
CN106534855A (zh) | 一种面向satd的拉格朗日因子计算方法 | |
CN107396104B (zh) | 一种视频量化参数盲估计方法 | |
Vora et al. | Analysis of compressed image quality assessments, m | |
CN102595138A (zh) | 图像压缩的方法及装置、终端 | |
CN109286817B (zh) | 一种视频编码中dct系数的量化失真信息处理方法 | |
Ma et al. | Reduced reference video quality assessment based on spatial HVS mutual masking and temporal motion estimation | |
EP2927865A1 (en) | Method and apparatus for encoding and decoding HDR images | |
Bharadwaj et al. | Optimized data compression through effective analysis of JPEG standard | |
Yang et al. | Transparent composite model for large scale image/video processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |