CN107888905A - 一种基于GoP显著性加权的视频质量评价方法 - Google Patents
一种基于GoP显著性加权的视频质量评价方法 Download PDFInfo
- Publication number
- CN107888905A CN107888905A CN201711021805.4A CN201711021805A CN107888905A CN 107888905 A CN107888905 A CN 107888905A CN 201711021805 A CN201711021805 A CN 201711021805A CN 107888905 A CN107888905 A CN 107888905A
- Authority
- CN
- China
- Prior art keywords
- gop
- msub
- frames
- mrow
- group
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种基于GoP显著性加权的视频质量评价方法，具体包括：将视频序列分离为多组GoP；得到每组GoP的质量分数及每组GoP中I帧图像的显著值；利用每组GoP中I帧图像的显著值对所有的GoP的质量分数进行加权，求得整个视频序列的质量分数。利用每组GoP的显著性不同，对所有GoP进行显著性加权得出整个视频的质量分数，提高对视频质量评价的结果的准确性；同时在求取每组GoP显著值时，利用I帧在整组GoP中影响该GoP中帧数量最多的特性，以I帧单帧的显著值替代了整组GoP的显著值，减少了计算量。
Description
技术领域
本发明涉及视频处理领域，尤其涉及一种基于GoP显著性加权的视频质量评价方法。
背景技术
随着信息技术的发展和计算机技术的普及，数字图像和视频在人类的生活和工作中发挥着重要的作用。图像视频及视频包含了极其丰富的信息量，也是人类获取信息的重要途径，图像视频和视频也广泛的应用在医疗，军事，安防，勘测等诸多学科和领域。然而在图像视频和视频在获取、处理、传输和存储的过程中，由于各种因素的影响，将不可避免的产生图像视频的质量下降问题，这给信息获取或后期处理和理解带来了诸多不便。因此图像视频质量评价的重要性日益凸显出来。传统的图像视频质量评价方法是采用观察者主观评价，由于观察者是最终的图像视频使用者，所以主观质量评价是最精确、可靠的质量评价方法。但是由于其耗时、昂贵、容易受实验环境影响和不可重现性等缺点，其评价结果往往波动较大，难以应用于大规模的应用。因此，如何建立准确、有效质量评价模型，让计算机自动客观为图像视频进行质量评价，成为一个十分有意义的研究课题。
视频客观质量评价方法(Video Objective Quality Assessment)：是指通过设计数学模型对视频进行智能化分析，并按设定的尺度对视频进行自动评分的客观评价方法。视频客观质量评价可以取代人眼，公正地比较不同视频编解码器输出的视频质量，为视频接收端提供参考，做出最优选择。在与网络多媒体相关的视频应用中，视频客观质量评价在服务器质量检测(Quality of Service，QoS)和终端质量体验(Quality of Experience，QoE)上面起到重要作用，根据视频质量评价反馈信息，视频服务器可以动态调整视频编码器参数和传输信道参数，以保证传输稳定性，提高接收端视频质量。
视频质量评价从方法上可以分为主观评价方法和客观评价方法前者凭感知者主观感受评价对象的质量；后者依据模型给出的量化指标衡量视频图像质量。
视频质量评价方法可以分为三类：全参考方法、部分参考方法和无参考方法；如图1所示。全参考方法需要完整的原始视频，部分参考方法则利用原始视频相关的部分信息，而无参考方法只根据待评价视频得出视频质量。
现有基于GoP(画面组；Group of picture)的视频质量评价方法主要是把视频序列中的所有帧图像都进行质量评价，然后将GoP中所有帧图像进行加权得到该GoP的质量评价分数，最后对所有GoP求平均得到视频总体质量。然而，该方法对视频中的某一个GoP的评价没有侧重点，对最后的视频质量评价的结果求取时，没有区分每个GoP所该占有的权重；使得质量评价结果不够精确且计算量大。
发明内容
鉴于上述的分析，本发明旨在提供一种基于GoP显著性加权的视频质量评价方法，用以解决现有GoP评价方法评价结果不够精确或计算量大的问题。
本发明的目的主要是通过以下技术方案实现的：
提供了一种基于GoP显著性加权的视频质量评价方法，具体包括以下步骤：
将视频序列分离为多组GoP；
得到每组GoP的质量分数及每组GoP中I帧图像的显著值；
利用每组GoP中I帧图像的显著值对所有的GoP的质量分数进行加权，求得整个视频序列的质量分数。
本发明有益效果如下：
利用每个GoP的显著性不同，对所有GoP进行显著性加权得出整个视频的质量分数，提高对视频质量评价的结果的准确性。同时在求取GoP显著值时，利用I帧在整个GoP中影响该GoP中帧数量最多的特性，以I帧单帧的显著度替代了整个GoP的显著度，减少了计算量。
在上述方案的基础上，本发明还做了如下改进：
进一步，所述将视频序列分离为多组GoP，具体包括：
分析测试视频序列，分离出单帧，并确定每个单帧的类型；
根据分离得到的单帧和帧类型，将视频序列分离成多组GoP序列。
采用上述进一步方案的有益效果是：
将整个视频序列分离成多组GoP序列，以便针对每组GoP序列单元进行质量评价处理。
进一步，所述每组GoP的质量分数是通过对每组GoP中I帧与P帧的质量分数分配权重进行加权得到的。
进一步，所述每组GoP中I帧与P帧的质量分数采用结构相似性进行计算：
式中，x为一张未经压缩的无失真图像，y为x失真后的图像，μx是x的平均值，μy是y的平均值，σx是x的方差，σy是y的方差，σxy是x和y的协方差。C1和C2是用来维持稳定的常数。
采用上述进一步方案的有益效果是：
通过衡量每组GoP中I帧、P帧与对应未失真参考图像的相似度，从而获得每组GoP的质量分数。
进一步，所述每组GoP中I帧与P帧的质量分数分配权重，具体为I帧的权重大于该组中任一P帧的权重，序列排位在先的P帧权重，大于序列排位在后的P帧权重。
进一步，所述得到每组GoP的质量分数具体为：
式中，QG为对I帧与P帧分配权重加权得到的GoP的质量分数，a为I帧对于整个GoP在整个视频序列质量评价中所占的权重，QI为I帧单帧的质量分数，bi为第i个P帧对于整个GoP在整个视频序列质量评价中所占的权重，QPi为第i个P帧的质量分数，m为P帧的数量。
采用上述进一步方案的有益效果是：
由I、P、B三种不同帧类型组成的，因为在每一个GOP中I、P、B的重要性不一样，所以可以根据I、P的不同的重要性分配权重，得到的评价结果更准确，且计算量少。
进一步，所述计算每组GoP中I帧图像的显著值，具体包括以下步骤：
得到出每个GoP中I帧的显著值矩阵；
将上述得出的显著值矩阵进行二值化处理，利用得到的二值化矩阵得出显著值SIi。
进一步，所述计算出每个GoP中I帧的显著值矩阵，具体通过视觉显著模型计算得到：
SDSP＝SF(x)·SC(x)·SD(x)
式中，SF(x)是频率先验矩阵，SC(x)是色调先验矩阵，SD(x)是区域先验矩阵。
进一步，所述得到的显著值SIi：
式中，n1为该二值化矩阵中值为1的元素的个数，N为该矩阵总元素个数。
进一步，所述求得整个视频序列的质量分数为：
式中，n为GoP的数量，SIi为第i个GoP中I帧的显著值，QGi为第i个GoP的质量分数。
采用上述进一步方案的有益效果是：
利用每一个GoP的I帧图像的显著值作为整个GoP的权重，对所有的GoP进行加权处理，得出更准确的视频整体的质量评价分数。
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
图1示出了视频质量评价方法分类示意图；
图2示出了基于GoP显著性加权的视频质量评价方法流程图；
图3示出了I帧、P帧、B帧的参考关系图；
图4示出了GoP(15:2)的结构示意图；
图5示出了I帧与P帧的质量分数计算示意图；
图6示出了I帧受损对视频的影响的示意图；
图7示出了P帧受损对视频的影响的示意图；
图8示出了I帧显著值的计算过程示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
本发明的一个具体实施例，公开了一种基于GoP显著性加权的视频质量评价方法。如图2所示，包括以下步骤：
步骤S1、将视频序列分离为多组GoP；
步骤S2、得到每组GoP的质量分数及每组GoP中I帧图像的显著值；
步骤S3、利用每组GoP中I帧图像的显著值对所有的GoP的质量分数进行加权，求得整个视频序列的质量分数。
具体地，所述步骤S1、将视频序列分离为多组GoP；具体包括：
分析测试视频序列，分离出每个单帧，并确定每个单帧的帧类型。对于一个视频序列，在解码器读取视频包并解码的时候，就可以得知当前处理的帧类型。通常，一个视频序列由若干I帧，P帧和B帧构成。如图3所示，I帧称为参考帧，其包含原始图像的完整信息，因此往往也最大；P帧称为单向预测帧，通过编码当前图像与前一个I帧或者P帧的差值得到；B帧为双向预测帧，通过前后两个P帧进行双向预测得到。
根据分离得出的单帧和帧类型，将视频序列分离成多组GoP。一个常见的视频序列通常由一个前导的I帧加上若干预测帧P帧与B帧，按照时间顺序构成，如IBBPBBPBBP…。通常，两个I帧之间的帧序列，称为一个GoP，如图4所示为GoP结构示意图。在编码器对视频编码时，I帧的插入一般因为场景的切换，或者预测帧已经够多，当前图像与第一个I帧差异已经够大。
所述步骤S2中，得到每组GoP的质量分数具体包括：对上述获取的每一组GoP中的I帧与P帧进行质量评价；对每组GOP中的I帧与P帧分配权重加权。
所述对每组GoP中的I帧与P帧进行质量评价，具体地，将得到的GoP中的I帧与P帧，选用对图像质量评价的一些算法对得到的这些帧图像分别进行质量评价，从而得到每一帧的质量分数，如图5所示，本实施例选用经典的SSIM。
SSIM(structural similarity index)是一种衡量两幅图像相似度的指标。SSIM使用的两张图像中，一张为未经压缩的无失真图像，另一张为失真后的图像。给定两个图像x和y，两张图像的结构相似性可按照以下方式求出：
式中，μx是x的平均值，μy是y的平均值，σx是x的方差，σy是y的方差，σxy是x和y的协方差。C1和C2是用来维持稳定的常数。
对每组GOP中的I帧与P帧的质量分数分配权重加权得出每组GoP的质量分数。具体地，在编码器对视频编码时，I帧直接或间接作为GoP中其它视频帧的参考帧，如图3所示(本实施例采用15:2的GoP模型)。
如图6所示为I帧受损对整个视频序列的影响示意图，如果在GoP开头的I帧丢失或损坏，误码将扩散到整个GoP中，直到接收到下一个不被损坏的I帧时，由于I帧编码时不参考其它任何帧，视频质量才会恢复。如果I帧的帧头信息损坏或丢弃等同于丢弃整个I帧，则将会影响整个GoP的视频主观感知质量，直到接收到下一个不被损坏的I帧，视频质量才会恢复。同样I帧中包丢失并没有损坏帧头信息，将会引起片信息的损坏，并且也会持续到整个GoP结束，直到接收到下一个不被损坏的I帧，视频质量才会恢复。
如图7所示为P帧受损对整个视频序列的影响示意图，视频序列的P帧在编码时仅仅参考前帧图像，进行运动预测补偿，即第一个P帧参考前一个I帧，随后的P帧参考前一个P帧。如果视频序列中的P帧丢失或者损坏，误码对视频的主观感知质量的影响将会持续到整个GoP结束，直到解码器接收到下一个没有被损坏的I帧。同I帧一样，如果P帧的头信息被损坏或丢弃，对视频的主观感知质量的影响则等同于整个P帧被丢弃，参考该P帧后续的所有解码帧都会受到影响直到GoP结束。如果丢包发生在P帧内，则会引起片损伤，对视频的主观感知质量的影响同样持续到GoP结束，直到接收到下一个不被损坏的I帧，视频质量才会恢复。从图3和图7可以看到B2帧和B3帧都是参考I帧和P4帧，P4帧作为整个GoP后续帧提供参考，如果P4帧受损，P4帧后的所有帧都肯定会受到P4帧直接或者间接的影响，因此，如果丢包发生在P4帧则会影响后续帧直到B15帧。这说明，P帧丢失或P帧被损坏对视频的主观感知质量的效果，以此类推，如果是P7帧受损，则会影响整个P7帧后面的所有帧图像，直到接收到下一个不被损坏的I帧。
在MPEG-4编码器中，B帧不作为其它帧的参考帧，因此，丢弃一个B帧或B帧损坏，则该帧被丢弃或者只是影响到该帧。在帧率为50fps的视频片段里，如果B帧损坏，在解码器端观看者几乎不能感受到1/50秒的影响，不会影响观看者的主观感受。
由上面的分析我们可以得出，在一个GoP中I帧的失真会影响整个GoP的质量，P帧的损伤会影响P帧后面的所有P帧与B帧，而B帧的损伤对其他帧图像没有影响，所以I帧、P帧与B帧的重要性应该有所体现。在对整个GoP的质量评价时，不能对GoP中的图像进行简单的平均加权处理，而应该在分配权重时，I帧分配的权值最大，其他的P帧根据在GoP中位置的先后顺序(影响后面P帧与B帧的多少)来分配权重比例，因为B帧的图像对其他帧的图像没有影响，本方法舍弃掉B帧，不评价其质量，只对I帧与P帧进行质量评价，这样就会大大减少计算量。例如以15:2的GoP来计算，I帧图像有1帧,P帧图像有4帧，假设这5帧图像的权重分别为a、b1、b2、b3、b4。寻优拟合找到最好的分配比例(多次随机选取进行结果拟合，一直得到最好的评价结果)。
得到每个权值以后，最后在得出这个组的GoP的时候进行加权可以得到这个GoP的质量评价分数(假设P帧有m幅)：
式中，QG为对I帧与P帧分配权重加权得到的GoP的质量分数，a为I帧对于整个GoP在整个视频序列质量评价中所占的权重，QI为I帧单帧的评价分值，bi为Pi帧对于整个GoP在整个视频序列质量评价中所占的权重，QPi为Pi帧单帧的评价分值，m为P帧的数量。
所述步骤S2中，得到每组GoP中I帧图像的显著值，如图8所示，具体包括：得到每个GoP中I帧的显著值矩阵；将上述得出的显著值矩阵进行二值化处理，利用得到的二值化矩阵得出显著值SIi。
具体地，一个GoP中，I帧直接或间接作为GoP中其它视频帧的参考帧，对整个GoP有着最大的影响，所以本发明以I帧的显著值替代整个GoP的显著值，大大减少了计算量。
根据人眼的视觉特性，显著度的多少可以影响到对人眼的吸引程度，显著度越高的图像越能吸引人眼的注意力。所以，显著值较大的GoP在最后统计整段视频质量时应该占有更多的权重，即以I帧图像的显著值作为对应GoP的权重。
所述计算出每个GoP中I帧的显著值矩阵，利用视觉显著模型(SDSP)计算出每个GoP中I帧的显著值矩阵；该模型是一个简单的显著区域识别方法，结合了三个先验知识，分别为：1、利用log-gabor滤波器得出符合人眼视觉特性的显著区域，2、人眼更加注意暖色调，3、人眼对图像中心区域有更多的注意。每个像素点的显著值分布在区间[0,255]中。所述SDSP模型为：
SDSP＝SF(x)·SC(x)·SD(x)
式中，SF(x)是频率先验矩阵，SC(x)是色调先验矩阵，SD(x)是区域先验矩阵。
所述将上述得出的显著值矩阵进行二值化处理，利用得到的二值化矩阵得出显著值SIi；即将显著值矩阵的元素设置为0或1，计算其中元素值为1的元素数占矩阵总元素数的百分比作为I帧的显著值SIi:
其中，n1为该二值化矩阵中值为1的元素的个数，N为该矩阵总元素个数。
所述步骤S3、利用每组GoP中I帧图像的显著值对所有的GoP的质量分数进行加权，求得整个视频序列的质量分数。
具体地，把上述得到的所有的GoP的质量分数进行显著性(即利用各个GoP的I帧显著值)加权，假设有n个GoP，那么最终得到的视频序列的质量分数为QV：
式中，n为GoP的数量，SIi为第i个GoP中I帧的显著值，QGi为第i个GoP的质量分数。
综上所述，本发明实施例提供了一种基于GoP显著性加权的视频质量评价方法，利用每个GoP的显著性不同，对所有GoP的质量分数进行显著性加权得出整个视频的质量分数，提高对视频质量评价的结果的准确性。同时在求取GoP显著值时，利用I帧在整个GoP中影响该GoP中帧数量最多的特性，以I帧单帧的显著度替代了整个GoP的显著度，减少了计算量。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，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计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于GoP显著性加权的视频质量评价方法，其特征在于，具体包括：
将视频序列分离为多组GoP；
得到每组GoP的质量分数及每组GoP中I帧图像的显著值；
利用每组GoP中I帧图像的显著值对所有的GoP的质量分数进行加权，求得整个视频序列的质量分数。
2.根据权利要求1所述的的方法，其特征在于，所述将视频序列分离为多组GoP，具体包括：
分析测试视频序列，分离出单帧，并确定每个单帧的类型；
根据分离得出的单帧和帧类型，将视频序列分离成多组GoP序列。
3.根据权利要求1所述的方法，其特征在于，所述每组GoP的质量分数是通过对每组GoP中I帧与P帧的质量分数分配权重进行加权得到的。
4.根据权利要求3所述的方法，其特征在于，所述每组GoP中I帧、P帧的质量分数均采用结构相似性进行计算：
<mrow>
<mi>S</mi>
<mi>S</mi>
<mi>I</mi>
<mi>M</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mo>(</mo>
<mn>2</mn>
<msub>
<mi>&mu;</mi>
<mi>x</mi>
</msub>
<msub>
<mi>&mu;</mi>
<mi>y</mi>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
<mo>(</mo>
<mn>2</mn>
<msub>
<mi>&sigma;</mi>
<mrow>
<mi>x</mi>
<mi>y</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msup>
<msub>
<mi>&mu;</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>&mu;</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>1</mn>
</msub>
<mo>)</mo>
<mo>(</mo>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>x</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<msub>
<mi>&sigma;</mi>
<mi>y</mi>
</msub>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>C</mi>
<mn>2</mn>
</msub>
<mo>)</mo>
</mrow>
</mfrac>
</mrow>
式中，x为一张未经压缩的无失真图像，y为x失真后的图像，μx是x的平均值，μy是y的平均值，σx是x的方差，σy是y的方差，σxy是x和y的协方差；C1和C2是用来维持稳定的常数。
5.根据权利要求3或4所述的方法，其特征在于，所述每组GoP中I帧与P帧的质量分数分配权重，具体为I帧的权重大于该组中任一P帧的权重，序列排位在先的P帧权重大于序列排位在后的P帧权重。
6.根据权利要求3或4所述的方法，其特征在于，所述得到每组GoP的质量分数具体为：
<mrow>
<msub>
<mi>Q</mi>
<mi>G</mi>
</msub>
<mo>=</mo>
<msub>
<mi>aQ</mi>
<mi>I</mi>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>b</mi>
<mi>i</mi>
</msub>
<msub>
<mi>Q</mi>
<mrow>
<mi>P</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
式中，QG为对I帧与P帧分配权重加权得到的GoP的质量分数，a为I帧对于整个GoP在整个视频序列质量评价中所占的权重，QI为I帧单帧的质量分数，bi为第i个P帧对于整个GoP在整个视频序列质量评价中所占的权重，QPi为第i个P帧单帧的质量分数，m为P帧的数量。
7.根据权利要求1所述的方法，其特征在于，所述计算每组GoP中I帧图像的显著值，具体包括：
得到每组GoP中I帧的显著值矩阵；
将上述得到的显著值矩阵进行二值化处理，利用得到的二值化矩阵得出显著值SIi。
8.根据权利要求7所述的方法，其特征在于，所述计算出每组GoP中I帧的显著值矩阵，具体通过视觉显著模型计算得到：
SDSP＝SF(x)·SC(x)·SD(x)
式中，SF(x)是频率先验矩阵，SC(x)是色调先验矩阵，SD(x)是区域先验矩阵。
9.根据权利要求8所述的方法，其特征在于，所述得到的显著值SIi：
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>I</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
<mi>N</mi>
</mfrac>
</mrow>
式中，n1为二值化矩阵中值为1的元素的个数，N为二值化矩阵总元素个数。
10.根据权利要求9所述的方法，其特征在于，所述求得整个视频序列的质量分数为：
<mrow>
<msub>
<mi>Q</mi>
<mi>V</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mi>S</mi>
<mrow>
<mi>I</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>Q</mi>
<mrow>
<mi>G</mi>
<mi>i</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msub>
<mi>S</mi>
<mrow>
<mi>I</mi>
<mi>i</mi>
</mrow>
</msub>
</mrow>
</mfrac>
</mrow>
式中，n为GoP的数量，SIi为第i组GoP中I帧的显著值，QGi为第i组GoP的质量分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711021805.4A CN107888905B (zh) | 2017-10-27 | 2017-10-27 | 一种基于GoP显著性加权的视频质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711021805.4A CN107888905B (zh) | 2017-10-27 | 2017-10-27 | 一种基于GoP显著性加权的视频质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107888905A true CN107888905A (zh) | 2018-04-06 |
| CN107888905B CN107888905B (zh) | 2019-09-06 |
Family
ID=61782630
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711021805.4A Active CN107888905B (zh) | 2017-10-27 | 2017-10-27 | 一种基于GoP显著性加权的视频质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107888905B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110139169A (zh) * | 2019-06-21 | 2019-08-16 | 上海摩象网络科技有限公司 | 视频流的质量评估方法及其装置、视频拍摄系统 |
| CN111982299A (zh) * | 2020-08-14 | 2020-11-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种星载微波辐射计数据质量动态评分方法及系统 |
| CN114600158A (zh) * | 2020-08-10 | 2022-06-07 | 腾讯美国有限责任公司 | 使用参数和像素级模型的视频质量评估的方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070098084A1 (en) * | 2005-10-31 | 2007-05-03 | Fujitsu Limited | Moving picture encoder |
| CN102647591A (zh) * | 2012-04-17 | 2012-08-22 | 中国科学院声学研究所 | 基于ssim评价的容错率失真优化视频编码方法、装置 |
| CN103996192A (zh) * | 2014-05-12 | 2014-08-20 | 同济大学 | 基于高质量自然图像统计量模型的无参考图像质量评价方法 |
| CN104021545A (zh) * | 2014-05-12 | 2014-09-03 | 同济大学 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
| CN104796690A (zh) * | 2015-04-17 | 2015-07-22 | 浙江理工大学 | 一种基于人脑记忆模型的无参考视频质量评价方法 |
| CN106851261A (zh) * | 2017-02-23 | 2017-06-13 | 中国矿业大学 | 一种基于gop的视频质量评价方法 |
-
2017
- 2017-10-27 CN CN201711021805.4A patent/CN107888905B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20070098084A1 (en) * | 2005-10-31 | 2007-05-03 | Fujitsu Limited | Moving picture encoder |
| CN102647591A (zh) * | 2012-04-17 | 2012-08-22 | 中国科学院声学研究所 | 基于ssim评价的容错率失真优化视频编码方法、装置 |
| CN103996192A (zh) * | 2014-05-12 | 2014-08-20 | 同济大学 | 基于高质量自然图像统计量模型的无参考图像质量评价方法 |
| CN104021545A (zh) * | 2014-05-12 | 2014-09-03 | 同济大学 | 一种基于视觉显著性的全参考彩色图像质量评价方法 |
| CN104796690A (zh) * | 2015-04-17 | 2015-07-22 | 浙江理工大学 | 一种基于人脑记忆模型的无参考视频质量评价方法 |
| CN106851261A (zh) * | 2017-02-23 | 2017-06-13 | 中国矿业大学 | 一种基于gop的视频质量评价方法 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110139169A (zh) * | 2019-06-21 | 2019-08-16 | 上海摩象网络科技有限公司 | 视频流的质量评估方法及其装置、视频拍摄系统 |
| CN110139169B (zh) * | 2019-06-21 | 2020-11-24 | 上海摩象网络科技有限公司 | 视频流的质量评估方法及其装置、视频拍摄系统 |
| CN114600158A (zh) * | 2020-08-10 | 2022-06-07 | 腾讯美国有限责任公司 | 使用参数和像素级模型的视频质量评估的方法 |
| CN111982299A (zh) * | 2020-08-14 | 2020-11-24 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种星载微波辐射计数据质量动态评分方法及系统 |
| CN111982299B (zh) * | 2020-08-14 | 2021-08-17 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种星载微波辐射计数据质量动态评分方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107888905B (zh) | 2019-09-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Image retargeting quality assessment: A study of subjective scores and objective metrics | |
| CN109559276B (zh) | 一种基于质量评价和特征统计的图像超分辨率重建方法 | |
| CN100559880C (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 | |
| CN104767993B (zh) | 一种基于质降时域加权的立体视频客观质量评价方法 | |
| CN107888905A (zh) | 一种基于GoP显著性加权的视频质量评价方法 | |
| CN112767385B (zh) | 基于显著性策略与特征融合无参考图像质量评价方法 | |
| CN102630011A (zh) | 一种视频传感器网络中的压缩感知编解码方法及系统 | |
| CN110674925B (zh) | 基于3d卷积神经网络的无参考vr视频质量评价方法 | |
| CN108109147A (zh) | 一种模糊图像的无参考质量评价方法 | |
| Zadtootaghaj et al. | Demi: Deep video quality estimation model using perceptual video quality dimensions | |
| CN110490804A (zh) | 一种基于生成对抗网络的生成超分辨图像的方法 | |
| CN107635136A (zh) | 基于视觉感知和双目竞争的无参考立体图像质量评价方法 | |
| Shao et al. | Learning sparse representation for no-reference quality assessment of multiply distorted stereoscopic images | |
| CN112004078A (zh) | 基于生成对抗网络的虚拟现实视频质量评价方法及系统 | |
| CN109345552A (zh) | 基于区域权重的立体图像质量评价方法 | |
| Li et al. | Recent advances and challenges in video quality assessment | |
| Liu et al. | Spatio-temporal interactive laws feature correlation method to video quality assessment | |
| CN103281555B (zh) | 基于半参考评估的视频流业务QoE客观评估方法 | |
| CN105979266B (zh) | 一种基于帧间关联与时隙最差的时域信息融合方法 | |
| Yang et al. | Blind VQA on 360° video via progressively learning from pixels, frames, and video | |
| CN104243974B (zh) | 一种基于三维离散余弦变换的立体视频质量客观评价方法 | |
| CN109257593B (zh) | 基于人眼视觉感知过程的沉浸式虚拟现实质量评价方法 | |
| CN106888374B (zh) | 一种三维视频编码方法、装置及视频处理设备 | |
| Saad et al. | Image quality of experience: a subjective test targeting the consumer’s experience | |
| CN115396683A (zh) | 视频优化处理方法、装置、电子设备及计算机可读介质 |
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 |