CN111696078A - 一种超高清视频检测方法及系统 - Google Patents
一种超高清视频检测方法及系统 Download PDFInfo
- Publication number
- CN111696078A CN111696078A CN202010408552.1A CN202010408552A CN111696078A CN 111696078 A CN111696078 A CN 111696078A CN 202010408552 A CN202010408552 A CN 202010408552A CN 111696078 A CN111696078 A CN 111696078A
- Authority
- CN
- China
- Prior art keywords
- video
- image
- frame
- detected
- preset
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明涉及一种超高清视频检测方法及系统,其中超高清视频检测方法包括:基于超高清视频显著特征要素对被测视频进行检测,获取第一检测结果;响应于所述第一检测结果符合第一预设条件,基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果;响应于所述第二检测结果符合第二预设条件,确定所述被测视频属于超高清视频。本发明实施例提出的超高清视频检测方法及系统,通过抓取超高清视频的技术核心,多层次、多方位地对被测视频进行检测,能够准确地判断被测视频是否属于超高清视频,从而可以进一步借助被测视频是否属于超高清视频的判断结果来准确判断超高清视频的技术质量。
Description
技术领域
本发明属于视频检测技术领域,具体涉及一种超高清视频检测方法及系统。
背景技术
超高清视频能够给用户带来更好的观看体验。目前,我国超高清视频技术尚处于发展阶段,超高清视频源的数量、质量还不够丰富,不同传输途径对视频质量的影响也不尽相同。如何准确测量超高清视频的技术质量,是提高系统制播水平,促进产业健康发展的重要抓手。
目前,对于超高清视频技术质量的测量,通常采用的是传统的基于视频处理及压缩损伤和传输失真的方法。但是由于超高清视频技术与高清等传统视频技术存在很大差异,传统的测量方法难以准确判断出超高清视频技术质量的真实情况。
发明内容
为了解决上述难以准确判断出超高清视频技术质量的真实情况的技术问题,本发明实施例提出了一种超高清视频检测方法及系统。
在本发明的第一方面,提出了一种超高清视频检测方法,包括:
基于超高清视频显著特征要素对被测视频进行检测,获取第一检测结果;
响应于所述第一检测结果符合第一预设条件,基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果;
响应于所述第二检测结果符合第二预设条件,确定所述被测视频属于超高清视频。
在某些实施例中,所述超高清视频显著特征要素包括视频格式参数;
所述视频格式参数包括有效像素数、帧率、彩色体系、量化比特数、电光转换函数EOTF曲线、幅型比、扫描模式和取样结构中的一种或多种格式参数。
在某些实施例中,所述超高清视频内容特性要素包括采用频域和空域表征的视频频谱特性、采用时域表征的视频有效帧率、采用色域表征的视频显示色彩特性、视频信号量化特性、采用图像显示特性表征的视频动态范围以及视频处理及压缩质量中的一种或多种特性要素。
在某些实施例中,所述基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果,包括:基于所述超高清视频内容特性要素包括的每个特性要素对所述被测视频进行检测,以所述超高清视频内容特性要素包括的每个特性要素的检测结果的加权值或加权平均值,作为所述第二检测结果。
在某些实施例中,所述基于采用频域和空域表征的视频频谱特性对所述被测视频进行检测,包括:
基于频谱分析模型对被测视频进行基于频域和空域的频谱分析,获取所述采用频域和空域表征的视频频谱特性的分析结果;以及,
响应于所述采用频域和空域表征的视频频谱特性的分析结果符合预设分析阈值,所述基于采用频域和空域表征的视频频谱特性的检测结果为频谱合格值。
其中,所述频谱分析模型能够基于视频频谱训练样本库进行优化训练,所述视频频谱训练样本库包含视频素材,所述视频素材具有专属的用以表征画面清晰度等级的数据标签;
所述优化训练包括:所述频谱分析模型对所述视频频谱训练样本库中的视频素材进行频谱能量特征分析,结合相应的数据标签进行机器学习,从而优化所述频谱分析模型的参数。
在某些实施例中,所述基于采用时域表征的视频有效帧率对所述被测视频进行检测,包括:
删除被测视频中连续重复帧数超过预设帧数阈值的静止画面,删除所述静止画面后的视频作为第一处理视频;以及,
响应于所述第一处理视频中重复帧的比例未超过预设比例阈值,基于相邻的三帧图像判断所述被测视频的有效帧率是否合格;以及,
响应于所述被测视频的有效帧率合格,所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值。
在某些具体实施例中,所述基于采用时域表征的视频有效帧率对所述被测视频进行检测,包括:
删除被测视频中连续重复帧数超过预设帧数阈值的静止画面,删除所述静止画面后的视频作为第一处理视频,所述预设帧数阈值为3;
从所述第一处理视频的第一帧开始,依次判断相邻两帧图像内容是否相同,若相同,则记为重复帧;
响应于重复帧的比例超过预设比例阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;以及,
响应于重复帧的比例未超过预设比例阈值,依次选取相邻的三帧图像,以所述选取的三帧图像中最早和最晚的两帧图像作为参考图像,采用帧混合法对所述参考图像进行内插处理,获取第一中间图像,采用双线性内插法对所述参考图像进行内插处理,获取第二中间图像;计算所述选取的三帧图像中的中间帧图像与所述第一中间图像的图像相似度,获取第一图像相似度,计算所述中间帧图像与所述第二中间图像的图像相似度,获取第二图像相似度;响应于所述第一图像相似度和所述第二图像相似度中的任一个符合预设相似度阈值,确定所述中间帧图像为内插图像,按此方式,统计出所述被测视频中的内插图像的数量;响应于所述被测视频中的内插图像数量超过预设图像阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;响应于所述被测视频中的内插图像数量未超过预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值;
或者,
响应于重复帧的比例未超过预设比例阈值,获取被测视频的各帧图像的频谱累积能量数据;基于所述获取的各帧图像的频谱累积能量数据,确定所述被测视频中插值图像的数量;响应于所述被测视频中的插值图像数量未超过所述预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值;
或者,响应于重复帧的比例未超过预设比例阈值,计算被测视频的各帧图像的频谱累积能量数据;从被测视频的第一帧图像开始,分别计算当前帧图像与后两帧图像的频谱累积能量数据之间的差异,得到被测视频的所有帧图像的差异计算结果;判断所述差异计算结果是否具有周期性特征,响应于所述差异计算结果具有周期性特征,基于所述差异计算结果确定所述被测视频中所有插值图像的数量;响应于所述被测视频中的插值图像数量超过所述预设图像阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;响应于所述被测视频中的插值图像数量未超过所述预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值。
在某些实施例中,所述基于采用色域表征的视频显示色彩特性对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域;
获取所述被测视频的所有帧图像中触及所述高动态范围所使用标准的色域的帧图像数量的占比;以及,
响应于所述占比超过预设占比阈值,确定所述被测视频触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色合格值。
在某些具体实施例中,所述基于采用色域表征的视频显示色彩特性对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,获取所述选取的一帧图像中所有图像块的色度坐标值,获取所述获取的色度坐标值中超出标准动态范围SDR所使用标准的色域的数量,响应于所述超出的数量超过预设超域数量阈值,确定所述选取的一帧图像触及高动态范围HDR所使用标准的色域,响应于所述超出的数量未超过所述预设超域数量阈值,确定所述选取的一帧图像未触及高动态范围HDR所使用标准的色域,按此方式,判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域;
获取所述被测视频的所有帧图像中触及所述高动态范围所使用标准的色域的帧图像数量的占比;
响应于所述占比超过预设占比阈值,确定所述被测视频触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色合格值;以及,
响应于所述占比未超过预设占比阈值,确定所述被测视频未触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色不合格值。
在某些实施例中,还包括在所述判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域之前,分析所述被测视频的视频格式参数中的电光转换函数EOTF曲线标识,所述电光转换函数EOTF曲线标识的分析结果作为第一参数分析结果;分析所述被测视频的视频格式参数中的视频目标显示亮度,所述视频目标显示亮度的分析结果作为第二参数分析结果;
所述获取所述选取的一帧图像中所有图像块的色度坐标值,包括:基于所述第一参数分析结果和第二参数分析结果以及相应的标准,获取所述选取的一帧图像中所有图像块的色度坐标值。
在某些具体实施例中,响应于未分析出所述被测视频的格式参数中的视频目标显示亮度,将手动设置的视频目标显示亮度作为所述第二参数分析结果。
在某些实施例中,所述基于视频信号量化特性对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像的量化比特数是否不合格;
获取所述被测视频的所有帧图像中量化比特数不合格的帧数占比;以及,
响应于所述帧数占比未达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化合格值。
在某些具体实施例中,所述基于视频信号量化特性对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,判断所述选取的一帧图像中所有像素的信号分量样值的低有效位是否都相同,响应于所述低有效位都相同,确定所述选取的一帧图像的量化比特数不合格;响应于所述低有效位不都相同,判断所述选取的一帧图像的量化比特数是否不合格,按此方式,判断所述被测视频的每帧图像的量化比特数是否不合格;
获取所述被测视频的所有帧图像中量化比特数属于不合格的帧数占比;
响应于所述帧数占比达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化不合格值;以及,
响应于所述帧数占比未达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化合格值。
在某些实施例中,所述判断所述选取的一帧图像的量化比特数是否不合格,包括:
基于所述被测视频的每帧图像的信号直方图或者基于所述被测视频的每帧图像中的像素信号分量样值,判断所述被测视频的每帧图像的量化比特数是否不合格。
在某些具体实施例中,所述判断所述选取的一帧图像的量化比特数是否不合格,包括:
获取所述选取的一帧图像的信号直方图,统计所述信号直方图中非零像素值的像素个数,响应于所述像素个数低于2n-2,确定所述选取的一帧图像的量化比特数为不合格,其中n为所述选取的一帧图像中像素的信号分量样值比特数;响应于所述像素个数不低于2n-2,确定所述选取的一帧图像的量化比特数为合格;
或者,
所述判断所述选取的一帧图像的量化比特数是否不合格,包括:
提取所述选取的一帧图像中的第1个像素信号分量样值,将所述提取的信号分量样值从高有效位起的前n-2个比特位所能代表的数值范围换算成百分比,n为所述选取的一帧图像中像素的信号分量样值比特数;再按照n个比特位所能代表的数值范围,将所述换算的百分比换算成数字样值;计算所述换算的数值样值与所述第1个像素信号分量样值的差值,作为所述第1个像素信号分量样值的计算差值;按此方式,计算所述选取的一帧图像中所有像素信号分量样值的计算差值;
响应于所述选取的一帧图像中所有像素信号分量样值的计算差值均小于预设差值阈值,确定所述选取的一帧图像的量化比特数为不合格,反之,确定所述选取的一帧图像的量化比特数为合格。
在某些实施例中,所述基于采用图像显示特性表征的视频动态范围对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像是否属于合格的动态图像;
获取所述被测视频的所有帧图像中属于合格的动态图像的比例;
响应于所述属于合格的动态图像的比例超过预设合格比例阈值,确定所述被测视频属于合格的动态视频;
确定所述被测视频的任意两相邻帧图像的帧间亮度差异值,并统计所述确定的帧间亮度差异值超过预设帧间亮度差异阈值的数量;以及,
响应于所述超过的数量小于预设差异数量阈值且所述被测视频属于合格的动态视频,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围合格值。
在某些具体实施例中,所述基于采用图像显示特性表征的视频动态范围对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,基于所述选取的一帧图像中各个图像块的显示特性数据,判断所述选取的一帧图像是否属于合格的动态图像,按此方式,判断所述被测视频的每帧图像是否属于合格的动态图像;
获取所述被测视频的所有帧图像中属于合格的动态图像的比例;
响应于所述属于合格的动态图像的比例超过预设合格比例阈值,确定所述被测视频属于合格的动态视频;
确定所述被测视频的任意两相邻帧图像的帧间亮度差异值,并统计所述确定的帧间亮度差异值超过预设帧间亮度差异阈值的数量;以及,
响应于所述超过的数量小于预设差异数量阈值且所述被测视频属于合格的动态视频,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围合格值,否则,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围不合格值。
在某些实施例中,还包括在所述判断所述被测视频的每帧图像是否属于合格的动态图像之前,分析所述被测视频的视频格式参数中的电光转换函数EOTF曲线标识,所述电光转换函数EOTF曲线标识的分析结果作为第一参数分析结果;分析所述被测视频的视频格式参数中的视频目标显示亮度,所述视频目标显示亮度的分析结果作为第二参数分析结果;
所述预设帧间亮度差异阈值基于所述第一参数分析结果和所述第二参数分析结果设定;
所述判断所述被测视频的每帧图像是否属于合格的动态图像,包括:基于所述选取的一帧图像中各个图像块的显示特性数据、所述第一参数分析结果和所述第二参数分析结果,判断所述选取的一帧图像是否属于合格的动态图像。
在某些具体实施例中,响应于未分析出所述被测视频的格式参数中的视频目标显示亮度,将手动设置的视频目标显示亮度作为所述第二参数分析结果。
在某些实施例中,所述基于视频处理及压缩质量对所述被测视频进行检测,包括:
基于质量判定模型对被测视频进行质量判定,获取归一化的判定结果;以及,
响应于所述归一化的判定结果超过预设判定阈值,所述基于视频处理及压缩质量的检测结果为质量合格值,所述质量合格值为所述归一化的判定结果。
在某些具体实施例中,响应于所述归一化的判定结果未超过预设判定阈值,所述基于视频处理及压缩质量的检测结果为质量不合格值。
其中,所述质量判定模型能够基于视频处理及压缩质量训练样本库进行优化训练,所述视频处理及压缩质量训练样本库包含视频处理及压缩素材,所述视频处理及压缩素材具有专属的用以表征视频质量分数的数据标签;
所述优化训练包括:所述质量判定模型对所述视频处理及压缩质量训练样本库中的视频处理及压缩素材进行视频质量特征分析,结合相应的数据标签进行机器学习,从而优化所述质量判定模型的参数。
在本发明的第二方面,提出一种超高清视频检测系统,包括:
第一获取模块,用于基于超高清视频显著特征要素对被测视频进行检测,获取第一检测结果;
第二获取模块,用于响应于所述第一检测结果符合第一预设条件,基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果;以及,
确定模块,用于响应于所述第二检测结果符合第二预设条件,确定所述被测视频属于超高清视频。
在某些实施例中,所述系统实现如前任一项所述的方法。
本发明的有益效果:本发明实施例提出的超高清视频检测方法及系统,通过抓取超高清视频的技术核心,多层次、多方位地对被测视频进行检测,能够准确地判断被测视频是否属于超高清视频,从而可以进一步借助被测视频是否属于超高清视频的判断结果来准确判断超高清视频的技术质量。
附图说明
图1示出本发明实施例提出的超高清视频检测方法的流程图;
图2示出本发明实施例提出的超高清视频检测系统的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。但本领域技术人员知晓,本发明并不局限于附图和以下实施例。
如本文中所述,术语“包括”及其各种变体可以被理解为开放式术语,其意味着“包括但不限于”。术语“基于”可以被理解为“至少部分地基于”。术语“一个实施例”或者相关表述可以被理解为“至少一个实施例”。术语“另一实施例”或者相关表述可以被理解为“至少一个其它实施例”。术语“第一”、“第二”或者相关表述可以被理解为用于区分不同的技术特征,并无实质含义。
如前所述,由于超高清视频技术与高清等传统视频技术存在的差异,使得传统的基于视频处理及压缩损伤和传输失真的测量方法难以准确判断出被测视频的真实情况,有鉴于此,本发明实施例提出了一种超高清视频检测方法及系统,通过抓取超高清视频的技术核心,多层次、多方位地对被测视频进行检测,从而能够准确地检测出被测视频是否属于超高清视频,并且可以进一步借助被测视频是否属于超高清视频的判断结果来准确判断超高清视频的技术质量。
本发明实施例提出的超高清视频检测方法,可参考图1所示,包括:
在100,基于超高清视频显著特征要素对被测视频进行检测,获取第一检测结果。
在一实施例中,所述超高清视频显著特征要素可以选自现有的超高清视频标准中规定的要素,以保证被测视频的标准符合性。在一可选实施例中,所述超高清视频显著特征要素包括视频格式参数。所述视频格式参数包括有效像素数、帧率、彩色体系、量化比特数、电光转换函数EOTF曲线、幅型比、扫描模式和取样结构中的一种或多种格式参数。在另一可选实施例中,所述视频格式参数包括有效像素数、帧率、彩色体系、量化比特数、电光转换函数EOTF曲线、幅型比、扫描模式和取样结构。
在一实施例中,可以基于所述超高清视频显著特征要素中每个特征要素对被测视频进行检测,所述超高清视频显著特征要素中所有特征要素的检测结果构成所述第一检测结果。
在200,响应于所述第一检测结果符合第一预设条件,基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果。
在一实施例中,响应于所述超高清视频显著特征要素中每个特征要素的检测结果都满足对应的条件,确定所述第一检测结果符合第一预设条件。
在一实施例中,所述超高清视频内容特性要素包括采用频域和空域表征的视频频谱特性、采用时域表征的视频有效帧率、采用色域表征的视频显示色彩特性、视频信号量化特性、采用图像显示特性表征的视频动态范围以及视频处理及压缩质量中的一种或多种特性要素。借助频谱特性可以考核被测视频的图像是否清晰。借助有效帧率可以考察被测视频是否有时域插帧,如果有时域插帧,会降低图像的连贯性和动态清晰度。借助显示色彩特性可以评估被测视频是否充分利用了超高清的宽色域特性,是否具有更丰富的色彩表现。借助量化特性可以评估被测视频的信号量化细腻程度,量化越细腻,图像内容更柔和,更自然。借助动态范围特性可以评估被测视频的亮度分布特征是否充分利用了高清动态范围电视的技术特征,同时是否符合人眼的观看舒适性。借助视频处理及压缩质量可以反映被测视频的图像噪波、失真、压缩损伤等问题。在一可选实施例中,所述超高清视频内容特性要素包括采用频域和空域表征的视频频谱特性、采用时域表征的视频有效帧率、采用色域表征的视频显示色彩特性、视频信号量化特性、采用图像显示特性表征的视频动态范围以及视频处理及压缩质量。
在一具体实施例中,所述基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果,包括:基于所述超高清视频内容特性要素包括的每个特性要素对所述被测视频进行检测,以所述超高清视频内容特性要素包括的每个特性要素的检测结果的加权值或加权平均值,作为所述第二检测结果。各个加权系数可根据使用者的关注点设置相应权重。
在一具体实施例中,所述基于采用频域和空域表征的视频频谱特性对所述被测视频进行检测,包括:
基于频谱分析模型对被测视频进行基于频域和空域的频谱分析,获取所述采用频域和空域表征的视频频谱特性的分析结果;以及,
响应于所述采用频域和空域表征的视频频谱特性的分析结果符合预设分析阈值,所述基于采用频域和空域表征的视频频谱特性的检测结果为频谱合格值。
在一更具体实施例中,所述基于采用频域和空域表征的视频频谱特性对所述被测视频进行检测,包括:
基于频谱分析模型对被测视频进行基于频域和空域的频谱分析,获取所述采用频域和空域表征的视频频谱特性的分析结果;以及,
响应于所述采用频域和空域表征的视频频谱特性的分析结果符合预设分析阈值,所述基于采用频域和空域表征的视频频谱特性的检测结果为频谱合格值;
其中,所述频谱分析模型能够基于视频频谱训练样本库进行优化训练,所述视频频谱训练样本库包含视频素材,所述视频素材具有专属的用以表征画面清晰度等级的数据标签;
所述优化训练包括:所述频谱分析模型对所述视频频谱训练样本库中的视频素材进行频谱能量特征分析,结合相应的数据标签进行机器学习,从而优化所述频谱分析模型的参数。
在一具体实施例中,所述基于采用时域表征的视频有效帧率对所述被测视频进行检测,包括:
删除被测视频中连续重复帧数超过预设帧数阈值的静止画面,删除所述静止画面后的视频作为第一处理视频;以及,
响应于所述第一处理视频中重复帧的比例未超过预设比例阈值,基于相邻的三帧图像判断所述被测视频的有效帧率是否合格;以及,
响应于所述被测视频的有效帧率合格,所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值。
在一更具体实施例中,所述基于采用时域表征的视频有效帧率对所述被测视频进行检测,包括:
删除被测视频中连续重复帧数超过预设帧数阈值的静止画面,删除所述静止画面后的视频作为第一处理视频,所述预设帧数阈值为3;
从所述第一处理视频的第一帧开始,依次判断相邻两帧图像内容是否相同,若相同,则记为重复帧;
响应于重复帧的比例超过预设比例阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;以及,
响应于重复帧的比例未超过预设比例阈值,依次选取相邻的三帧图像,以所述选取的三帧图像中最早和最晚的两帧图像作为参考图像,采用帧混合法对所述参考图像进行内插处理,获取第一中间图像,采用双线性内插法对所述参考图像进行内插处理,获取第二中间图像;计算所述选取的三帧图像中的中间帧图像与所述第一中间图像的图像相似度,获取第一图像相似度,计算所述中间帧图像与所述第二中间图像的图像相似度,获取第二图像相似度;响应于所述第一图像相似度和所述第二图像相似度中的任一个符合预设相似度阈值,确定所述中间帧图像为内插图像,按此方式,统计出所述被测视频中的内插图像的数量;响应于所述被测视频中的内插图像数量超过预设图像阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;响应于所述被测视频中的内插图像数量未超过预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值;
或者,
响应于重复帧的比例未超过预设比例阈值,获取被测视频的各帧图像的频谱累积能量数据;基于所述获取的各帧图像的频谱累积能量数据,确定所述被测视频中插值图像的数量;响应于所述被测视频中的插值图像数量未超过所述预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值;
或者,响应于重复帧的比例未超过预设比例阈值,计算被测视频的各帧图像的频谱累积能量数据;从被测视频的第一帧图像开始,分别计算当前帧图像与后两帧图像的频谱累积能量数据之间的差异,得到被测视频的所有帧图像的差异计算结果,所述差异可以采用差值百分比表示;判断所述差异计算结果是否具有周期性特征,响应于所述差异计算结果具有周期性特征,基于所述差异计算结果确定所述被测视频中所有插值图像的数量;响应于所述被测视频中的插值图像数量超过所述预设图像阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;响应于所述被测视频中的插值图像数量未超过所述预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值。
在上述实施例中,不仅可以基于图像相似度确定被测视频中的内插图像,还可以基于频谱累积能量数据确定被测视频中的插值图像。申请人发现,插值图像因为是按照某种规则对原始帧图像进行插值处理得来的,所以插值图像相比原始帧图像而言较为模糊,那么插值图像的频谱累积能量数据相比原始帧图像的频谱累积能量数据来说会有较为明显的差异,可以预见的是,插值图像的频谱累积能量数据与原始帧图像的频谱累积能量数据之间的差异较大,原始帧图像的频谱累积能量数据与其他原始帧图像的频谱累积能量数据之间的差异较小,插值图像的频谱累积能量数据与其他插值图像的频谱累积能量数据之间的差异较小,那么被测视频的所有帧图像的频谱累积能量数据进行上述差异计算后,会呈现周期性特征,例如,高、低、高、低、……等周期性特征,根据周期性特征,则可以确定被测视频中插值图像的数量。
在一具体实施例中,所述基于采用色域表征的视频显示色彩特性对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域;
获取所述被测视频的所有帧图像中触及所述高动态范围所使用标准的色域的帧图像数量的占比;以及,
响应于所述占比超过预设占比阈值,确定所述被测视频触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色合格值。
在一更具体实施例中,所述基于采用色域表征的视频显示色彩特性对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,获取所述选取的一帧图像中所有图像块的色度坐标值,获取所述获取的色度坐标值中超出标准动态范围SDR所使用标准的色域的数量,响应于所述超出的数量超过预设超域数量阈值,确定所述选取的一帧图像触及高动态范围HDR所使用标准的色域,响应于所述超出的数量未超过所述预设超域数量阈值,确定所述选取的一帧图像未触及高动态范围HDR所使用标准的色域,按此方式,判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域;
获取所述被测视频的所有帧图像中触及所述高动态范围所使用标准的色域的帧图像数量的占比;
响应于所述占比超过预设占比阈值,确定所述被测视频触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色合格值;以及,
响应于所述占比未超过预设占比阈值,确定所述被测视频未触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色不合格值。
在一可选实施例中,所述方法还包括在判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域之前,分析所述被测视频的视频格式参数中的电光转换函数EOTF曲线标识,所述电光转换函数EOTF曲线标识的分析结果作为第一参数分析结果;分析所述被测视频的视频格式参数中的视频目标显示亮度,所述视频目标显示亮度的分析结果作为第二参数分析结果;
所述获取所述选取的一帧图像中所有图像块的色度坐标值,包括:基于所述第一参数分析结果和第二参数分析结果以及相应的标准,获取所述选取的一帧图像中所有图像块的色度坐标值。
其中,响应于未分析出所述被测视频的格式参数中的视频目标显示亮度,将手动设置的视频目标显示亮度作为所述第二参数分析结果。
在一具体实施例中,所述基于视频信号量化特性对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像的量化比特数是否不合格;
获取所述被测视频的所有帧图像中量化比特数不合格的帧数占比;以及,
响应于所述帧数占比未达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化合格值。
在一更具体实施例中,所述基于视频信号量化特性对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,判断所述选取的一帧图像中所有像素的信号分量样值的低有效位是否都相同,响应于所述低有效位都相同,确定所述选取的一帧图像的量化比特数不合格;响应于所述低有效位不都相同,判断所述选取的一帧图像的量化比特数是否不合格,按此方式,判断所述被测视频的每帧图像的量化比特数是否不合格;
获取所述被测视频的所有帧图像中量化比特数属于不合格的帧数占比;
响应于所述帧数占比达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化不合格值;以及,
响应于所述帧数占比未达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化合格值。
其中判断所述选取的一帧图像中所有像素的信号分量样值的低有效位是否都相同,是为了判断是否所述选取的一帧图像中存在人为操作。例如,要将像素从8bit变化到10bit,最简单的办法是在原8bit末尾填2个0(有些系统,末尾不是添00,可能是11或其他数值),形成一个10bit,这种情况下,所述选取的一帧图像中所有像素样值的末尾2位都是00(或在有些系统,可能是11或其他数值)。如果判断所述选取的一帧图像中所有像素都具有同样的规律,说明末尾2位属于人为添加,而非真实拍摄,由此可以确定所述选取的一帧图像的量化比特数不合格。
在一可选实施例中,所述判断所述被测视频的每帧图像的量化比特数是否不合格,包括:
基于所述被测视频的每帧图像的信号直方图或者基于所述被测视频的每帧图像中的像素信号分量样值,判断所述被测视频的每帧图像的量化比特数是否不合格。
在一实施例中,所述判断所述选取的一帧图像的量化比特数是否不合格,包括:
获取所述选取的一帧图像的信号直方图,统计所述信号直方图中非零像素值的像素个数,响应于所述像素个数低于2n-2,确定所述选取的一帧图像的量化比特数为不合格,其中n为所述选取的一帧图像中像素的信号分量样值比特数;响应于所述像素个数不低于2n-2,确定所述选取的一帧图像的量化比特数为合格。
在另一实施例中,所述判断所述选取的一帧图像的量化比特数是否不合格,包括:
提取所述选取的一帧图像中的第1个像素信号分量样值,将所述提取的信号分量样值从高有效位起的前n-2个比特位所能代表的数值范围换算成百分比,n为所述选取的一帧图像中像素的信号分量样值比特数;再按照n个比特位所能代表的数值范围,将所述换算的百分比换算成数字样值;计算所述换算的数值样值与所述第1个像素信号分量样值的差值,作为所述第1个像素信号分量样值的计算差值;按此方式,计算所述选取的一帧图像中所有像素信号分量样值的计算差值;
响应于所述选取的一帧图像中所有像素信号分量样值的计算差值均小于预设差值阈值,确定所述选取的一帧图像的量化比特数为不合格,反之,确定所述选取的一帧图像的量化比特数为合格。
在一具体实施例中,所述基于采用图像显示特性表征的视频动态范围对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像是否属于合格的动态图像;
获取所述被测视频的所有帧图像中属于合格的动态图像的比例;
响应于所述属于合格的动态图像的比例超过预设合格比例阈值,确定所述被测视频属于合格的动态视频;
确定所述被测视频的任意两相邻帧图像的帧间亮度差异值,并统计所述确定的帧间亮度差异值超过预设帧间亮度差异阈值的数量;以及,
响应于所述超过的数量小于预设差异数量阈值且所述被测视频属于合格的动态视频,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围合格值。
在一更具体实施例中,所述基于采用图像显示特性表征的视频动态范围对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,基于所述选取的一帧图像中各个图像块的显示特性数据,判断所述选取的一帧图像是否属于合格的动态图像,按此方式,判断所述被测视频的每帧图像是否属于合格的动态图像;
获取所述被测视频的所有帧图像中属于合格的动态图像的比例;
响应于所述属于合格的动态图像的比例超过预设合格比例阈值,确定所述被测视频属于合格的动态视频;
确定所述被测视频的任意两相邻帧图像的帧间亮度差异值,并统计所述确定的帧间亮度差异值超过预设帧间亮度差异阈值的数量;
响应于所述超过的数量小于预设差异数量阈值且所述被测视频属于合格的动态视频,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围合格值,否则,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围不合格值。
在一可选实施例中,还包括在判断所述被测视频的每帧图像是否属于合格的动态图像之前,分析所述被测视频的视频格式参数中的电光转换函数EOTF曲线标识,所述电光转换函数EOTF曲线标识的分析结果作为第一参数分析结果;分析所述被测视频的视频格式参数中的视频目标显示亮度,所述视频目标显示亮度的分析结果作为第二参数分析结果;
所述预设帧间亮度差异阈值基于所述第一参数分析结果和所述第二参数分析结果设定;
所述基于所述选取的一帧图像中各个图像块的显示特性数据,判断所述选取的一帧图像是否属于合格的动态图像,包括:基于所述选取的一帧图像中各个图像块的显示特性数据、所述第一参数分析结果和所述第二参数分析结果,判断所述选取的一帧图像是否属于合格的动态图像。
其中,响应于未分析出所述被测视频的格式参数中的视频目标显示亮度,将手动设置的视频目标显示亮度作为所述第二参数分析结果。
在一具体实施例中,所述基于视频处理及压缩质量对所述被测视频进行检测,包括:
基于质量判定模型对被测视频进行质量判定,获取归一化的判定结果;以及,
响应于所述归一化的判定结果超过预设判定阈值,所述基于视频处理及压缩质量的检测结果为质量合格值,所述质量合格值为所述归一化的判定结果。
响应于所述归一化的判定结果未超过预设判定阈值,所述基于视频处理及压缩质量的检测结果为质量不合格值。
其中,所述质量判定模型能够基于视频处理及压缩质量训练样本库进行优化训练,所述视频处理及压缩质量训练样本库包含视频处理及压缩素材,所述视频处理及压缩素材具有专属的用以表征视频质量分数的数据标签;
所述优化训练包括:所述质量判定模型对所述视频处理及压缩质量训练样本库中的视频处理及压缩素材进行视频质量特征分析,结合相应的数据标签进行机器学习,从而优化所述质量判定模型的参数。
在300,响应于所述第二检测结果符合第二预设条件,确定所述被测视频属于超高清视频。
在确定所述被测视频属于超高清视频时,超高清视频技术质量合格。
在一实施例中,在以所述超高清视频内容特性要素包括的每个特性要素的检测结果的加权值或加权平均值,作为所述第二检测结果时,所述第二预设条件为预设视频内容阈值。
可以理解,前述的各个预设值可以根据视频标准、视频技术进行设定。
下面结合具体的示例对本发明实施例进行进一步的说明。
实施例1
本实施例中,在100,所述超高清视频显著特征要素包括视频格式参数,所述视频格式参数包括有效像素数、帧率、彩色体系、量化比特数、电光转换函数EOTF曲线、幅型比、扫描模式和取样结构。
从被测视频的文件头信息或元数据信息中提取被测视频的视频格式参数值,所述视频格式参数包括:有效像素数、帧率、彩色体系、量化比特数、EOTF曲线、幅型比、扫描模式、取样结构;
判断所述提取的各个视频格式参数值是否满足预设的相应技术要求,如果满足,第一检测结果为1;如果不满足,第一检测结果为0。
在一应用场景中,所述有效像素数的预设的相应技术要求为7680×4320或者3840×2160,帧率的预设的相应技术要求为50、100或120Hz,彩色体系的预设的相应技术要求为BT.2020,量化比特数的预设的相应技术要求为不低于10比特,EOTF曲线的预设的相应技术要求为HLG、PQ或SDR,幅型比的预设的相应技术要求为16:9,扫描模式的预设的相应技术要求为逐行,取样结构的预设的相应技术要求为4:4:4、4:2:2或者4:2:0。
在200中,所述第一预设条件为1。
实施例2
在本实施例中,在200,所述超高清视频内容特性要素包括采用频域和空域表征的视频频谱特性。
在基于采用频域和空域表征的视频频谱特性对所述被测视频进行检测时,可以先构建视频频谱训练样本库,该视频频谱训练样本库中具有一定数量的视频素材,每个素材都有自己的数据标签,标明该视频的画面清晰度等级;
采用所述视频频谱训练样本库对基于机器学习的频谱分析模型M1进行训练,频谱分析模型M1能够对视频频谱训练样本库中的所有视频素材进行频谱能量特征分析,并结合相应的数据标签,进行机器学习,从而得到最优模型参数;
采用训练后的频谱分析模型M1(具有最优模型参数)对被测视频进行频谱分析,得到分析结果F,当F满足阈值Tdefi要求时,输出判定结果Sdefi=1;当F不满足阈值Tdefi时,输出判定结果Sdefi=0。
在一应用场景中,所述基于采用频域和空域表征的视频频谱特性的检测是为了判断被测视频是否符合超高清视频的频谱阈值。
在所述超高清视频内容特性要素仅包括采用频域和空域表征的视频频谱特性时,所述判定结果Sdefi为第二检测结果;在所述超高清视频内容特性要素还包括其他特性要素时,可以将每个特性要素的判定结果的加权值或加权平均值,作为所述第二检测结果。
实施例3
在本实施例中,在200,所述超高清视频内容特性要素包括采用时域表征的视频有效帧率。
在基于采用时域表征的视频有效帧率对所述被测视频进行检测时,分析被测视频中是否存在连续三帧以上的静止画面,如果有,先去除连续三帧以上的静止画面,然后从去除后的被测视频的第一帧开始,依次判断相邻两帧图像内容是否相同,若相同,则记为重复帧;
如果重复帧的比例超过阈值Tc,判定该视频标称帧率为“假”,输出判定结果Sfr=0;
如果重复帧的比例未超过阈值Tc,从去除后的被测视频的第一帧开始,依次选取相邻的三帧图像P1、P2、P3,以P1和P3为参考图像,采用帧混合法和双线性内插法分别进行内插,得到中间图像PM-1和PM-2,分别计算P2与PM-1和PM-2的图像相似度,当其中任一计算结果符合阈值Tsim时,判定P2为内插图像;如果被测视频中的内插图像数量超过阈值Tfr时,则判定该视频的帧率为“假”,输出判定结果Sfr=0;否则,判定该视频的帧率为“真”,输出判定结果Sfr=1。
还可以基于各帧图像的频谱累积能量数据,确定所述被测视频中插值图像的数量。为节约篇幅计,在此不再赘述。
在一应用场景中,所述基于采用时域表征的视频有效帧率的检测是为了判断被测视频的视频有效帧率是否与标称帧率(例如50、100或120Hz)一致,且不低于50Hz。
在所述超高清视频内容特性要素仅包括采用时域表征的视频有效帧率时,所述判定结果Sfr为第二检测结果;在所述超高清视频内容特性要素还包括其他特性要素时,可以将每个特性要素的判定结果的加权值或加权平均值,作为所述第二检测结果。
实施例4
在本实施例中,在200,所述超高清视频内容特性要素包括采用色域表征的视频显示色彩特性。
在基于采用色域表征的视频显示色彩特性对所述被测视频进行检测时,分析被测视频格式参数中的EOTF曲线标识,包括SDR(Standard Dynamic Range,标准动态范围)、HLG(Hybrid Log Gamma,混合对数伽马)和PQ(Perceptual Quantizer,感知量化器),然后分析视频格式参数中的视频目标显示亮度,如果未找到目标亮度参数,则手动设定显示亮度,SDR可以设为100nits,HLG可以设为1000nits,PQ可以设为10000nits;
对被测视频的第1帧图像进行分析,方法如下:把图像分割成M*N(例如,M为大于0小于1920的自然数,N为大于0小于1080的自然数)的若干个图像块,对每个图像块,计算各像素信号分量的平均值来代表该图像块的信号分量;然后按照所述参数分析结果和相关标准(例如,SDR曲线对应ITU-R BT.1886建议书,HLG和PQ曲线对应ITU-R BT.2100建议书)规定的EOTF转换函数,每个图像块信号分量样值数据转换为显示器线性光信号的R、G、B值。然后再转换为CIE 1931色度坐标中的色度坐标值(或CIE1976色度坐标值)(x,y),从而得到一帧图像中所有图像块的色度坐标值(x,y),针对这一帧图像中所有图像块的色度坐标值(x,y),分别与CIE1931色度坐标图中的ITU-R BT.709色彩区域进行比较,当某个图像块的色度坐标值(x,y)值超出ITU-R BT.709色彩区域时,计数器C2020加1,完成一帧图像中所有图像块比较后,当C2020值大于阈值Tpic2020时,判定该帧图像触及BT.2020色域;
采用上述方法对被测视频的所有帧图像进行分析。当被测视频中触及BT.2020色域的图像帧数占比大于阈值Tvid2020时,判定该视频触及BT.2020色域,输出判定结果Scolor=1;否则,判定该视频未触及BT.2020色域,输出判定结果Scolor=0。
在一应用场景中,所述基于采用色域表征的视频显示色彩特性的检测是为了判断被测视频是否触及BT.2020。
在所述超高清视频内容特性要素仅包括采用色域表征的视频显示色彩特性时,所述判定结果Scolor为第二检测结果;在所述超高清视频内容特性要素还包括其他特性要素时,可以将每个特性要素的判定结果的加权值或加权平均值,作为所述第二检测结果。
实施例5
在本实施例中,在200,所述超高清视频内容特性要素包括视频信号量化特性。
在基于采用频域和空域表征的视频频谱特性对所述被测视频进行检测时,对被测视频的第1帧图像进行分析,包括第一步判断:分析当前帧中所有像素的信号分量(Y、Cb、Cr或R、G、B或I、Ct、Cp)的样值,判断不同像素间的信号分量样值末尾两比特位(或表示低有效位的其他比特位)是否都相同,如果相同(例如,每个像素的信号分量样值末尾两比特位都是二进制00、01、10或11),则判定该帧图像的量化比特数为“假”;如果不相同,继续第二步判断(对于这种情况,也可以直接统计信号直方图,如果直方图中个数非0的像素低于2n-2,则说明是“假”):设本帧图像中的第1个像素信号样值为Vn,提取该样值从高有效位起的前n-2个比特位(n为每个样值比特数),记为Vn-2;按照n-2个比特位所能代表的数值范围,将Vn-2换算成百分比,记为Pn-2;再按照n个比特位所能代表的数值范围,将Pn-2换算成数字样值Vnn;计算Vnn与Vn的差值VD,如果当前帧图像中所有像素样值计算之后的VD值均小于阈值Dbits,则判定当前帧图像的比特数为“假”;
按照上述方法,对被测视频的所有帧图像进行分析,当被测视频中,图像比特数被判定为“假”的帧数占比大于等于一个阈值Tbits时,输出判定结果Sbits=0,否则,输出判定结果Sbits=1。
在一应用场景中,所述基于视频信号量化特性的检测是为了检测被测视频是否与标称量化比特数一致,且不低于10比特。
在所述超高清视频内容特性要素仅包括视频信号量化特性时,所述判定结果Sbits为第二检测结果;在所述超高清视频内容特性要素还包括其他特性要素时,可以将每个特性要素的判定结果的加权值或加权平均值,作为所述第二检测结果。
实施例6
在本实施例中,在200,所述超高清视频内容特性要素包括采用图像显示特性表征的视频动态范围。
在基于采用图像显示特性表征的视频动态范围对所述被测视频进行检测时,分析被测视频格式参数中的EOTF曲线标识,包括SDR、HLG或PQ,然后分析视频格式参数中的视频目标显示亮度,如果未找到目标亮度参数,则手动设定显示亮度,SDR可以设为100nits,HLG可以设为1000nits,PQ可以设为10000nits。
根据前述的EOTF曲线标识分析结果,设定SDR、HLG或PQ信号的最大亮度阈值TLuMax、平均亮度阈值TLuAve、亮度信号对比度阈值Tratio,以及帧间亮度差异阈值TFLD;
对被测视频的第1帧图像进行分析,包括:把图像分割成M*N(例如,M为大于0小于1920的自然数,N为大于0小于1080的自然数)的若干个图像块,对每个图像块,计算各像素信号分量的平均值来代表该图像块的信号分量,然后统计出该图像的亮度分布直方图;基于亮度分布直方图数据,进一步分析该帧图像中的亮度值大于阈值TLuMax的像素个数CMax、图像的平均亮度Lave、图像的亮度信号对比度Rcontrast。如果该帧图像的CMax大于某阈值TCmax,Lave不大于TLuAve,且Rcontrast大于阈值TR则判定该帧图像为“好动态图像”;
按照前述的方法对被测视频的所有图像帧进行分析,当所有帧中“好动态图像”的占比大于阈值TGDRF时,判定该视频为“好动态视频”;
计算被测视频任意相邻两帧图像的显示亮度平均值之差的绝对值,当差值绝对值大于阈值TFLD时,计数器CFLD加1;计算完毕后,当计数器CFLD小于阈值TCFLD,且前述的判定结果为判定该视频为“好动态视频”时,输出判定结果Sdr=1,否则,输出Sdr=0。
在一应用场景中,所述基于采用图像显示特性表征的视频动态范围的检测是为了判断被测视频是否与表征EOTF一致,且符合相关标准的建议。
在所述超高清视频内容特性要素仅包括采用图像显示特性表征的视频动态范围时,所述判定结果Sdr为第二检测结果;在所述超高清视频内容特性要素还包括其他特性要素时,可以将每个特性要素的判定结果的加权值或加权平均值,作为所述第二检测结果。
实施例7
在本实施例中,在200,所述超高清视频内容特性要素包括视频处理及压缩质量。
在基于采用频域和空域表征的视频频谱特性对所述被测视频进行检测时,建立视频处理及压缩质量训练样本库,该视频处理及压缩质量训练样本库中具有一定量的视频处理及压缩视频处理及压缩素材,包括不同节目类型、不同画面内容、不同时长、不同编码码率、不同质量损伤的视频处理及压缩视频处理及压缩素材,每个素材都有自己的数据标签,标明该视频的视频质量分数;
采用所述建立的视频处理及压缩视频处理及压缩质量训练样本库对基于机器学习的质量评价模型M2进行训练,质量评价模型M2能够对视频处理及压缩视频处理及压缩质量训练样本库中的所有视频素材进行视频质量特征分析,并结合相应的数据标签,进行机器学习,从而得到最优模型参数;
采用训练后的质量评价模型M2(具有最优模型参数)对被测视频进行质量评价,得到归一化的评价结果Qn,当Qn高于阈值Tenc时,输出判定结果Senc=Qn;当Qn低于阈值Tenc时,输出判定结果Senc=0。
在一应用场景中,所述基于视频处理及压缩视频处理及压缩质量的检测是为了判断被测视频的视频处理及压缩视频处理及压缩质量是否符合相关阈值。
在所述超高清视频内容特性要素仅包括视频处理及压缩视频处理及压缩质量时,所述判定结果Senc为第二检测结果;在所述超高清视频内容特性要素还包括其他特性要素时,可以将每个特性要素的判定结果的加权值或加权平均值,作为所述第二检测结果。
实施例8
本实施例中,在200,所述超高清视频内容特性要素包括采用频域和空域表征的视频频谱特性、采用时域表征的视频有效帧率、采用色域表征的视频显示色彩特性、视频信号量化特性、采用图像显示特性表征的视频动态范围以及视频处理及压缩视频处理及压缩质量中的一种或多种特性要素。综合实施例2至实施例7,所述第二检测结果可以按照公式Jcontent=w1*Sdefi+w2*Sfr+w3*Scolor+w4*Sbits+w5*Sdr+w6*Senc计算,其中,w1~w6为6个权重值。在一实施例中,Σwi=1。
在400,当Jpar等于1且Jcontent大于阈值Tcontent时,判定被测视频属于超高清视频;否则,判定被测视频不属于超高清视频。
本发明给出的各个实施例在技术方案不冲突的情况下,可以相互组合或结合。
本发明实施例还提出了一种超高清视频检测系统,可参考图2所示,包括:
第一获取模块,用于基于超高清视频显著特征要素对被测视频进行检测,获取第一检测结果;
第二获取模块,用于响应于所述第一检测结果符合第一预设条件,基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果;以及,
确定模块,用于响应于所述第二检测结果符合第二预设条件,确定所述被测视频属于超高清视频。
所述系统与前述方法相同的内容,在此不再赘述,本领域技术人员参照前述对方法的描述,可以实现本发明实施例提出的系统。
本领域技术人员可以理解,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或它们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上,对本发明的实施方式进行了说明。但是,本发明不限定于上述实施方式。凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (15)
1.一种超高清视频检测方法,其特征在于,包括:
基于超高清视频显著特征要素对被测视频进行检测,获取第一检测结果;
响应于所述第一检测结果符合第一预设条件,基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果;
响应于所述第二检测结果符合第二预设条件,确定所述被测视频属于超高清视频。
2.根据权利要求1所述的方法,其特征在于,所述超高清视频显著特征要素包括视频格式参数;
所述视频格式参数包括有效像素数、帧率、彩色体系、量化比特数、电光转换函数EOTF曲线、幅型比、扫描模式和取样结构中的一种或多种格式参数。
3.根据权利要求1所述的方法,其特征在于,所述超高清视频内容特性要素包括采用频域和空域表征的视频频谱特性、采用时域表征的视频有效帧率、采用色域表征的视频显示色彩特性、视频信号量化特性、采用图像显示特性表征的视频动态范围以及视频处理及压缩质量中的一种或多种特性要素。
4.根据权利要求3所述的方法,其特征在于,所述基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果,包括:基于所述超高清视频内容特性要素包括的每个特性要素对所述被测视频进行检测,以所述超高清视频内容特性要素包括的每个特性要素的检测结果的加权值或加权平均值,作为所述第二检测结果。
5.根据权利要求3所述的方法,其特征在于,所述基于采用频域和空域表征的视频频谱特性对所述被测视频进行检测,包括:
基于频谱分析模型对被测视频进行基于频域和空域的频谱分析,获取所述采用频域和空域表征的视频频谱特性的分析结果;以及,
响应于所述采用频域和空域表征的视频频谱特性的分析结果符合预设分析阈值,所述基于采用频域和空域表征的视频频谱特性的检测结果为频谱合格值。
6.根据权利要求3所述的方法,其特征在于,所述基于采用时域表征的视频有效帧率对所述被测视频进行检测,包括:
删除被测视频中连续重复帧数超过预设帧数阈值的静止画面,删除所述静止画面后的视频作为第一处理视频;
响应于所述第一处理视频中重复帧的比例未超过预设比例阈值,基于相邻的三帧图像判断所述被测视频的有效帧率是否合格;以及,
响应于所述被测视频的有效帧率合格,所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值;
或者,
所述基于采用时域表征的视频有效帧率对所述被测视频进行检测,包括:
删除被测视频中连续重复帧数超过预设帧数阈值的静止画面,删除所述静止画面后的视频作为第一处理视频,所述预设帧数阈值为3;
从所述第一处理视频的第一帧开始,依次判断相邻两帧图像内容是否相同,若相同,则记为重复帧;
响应于重复帧的比例超过预设比例阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;以及,
响应于重复帧的比例未超过预设比例阈值,依次选取相邻的三帧图像,以所述选取的三帧图像中最早和最晚的两帧图像作为参考图像,采用帧混合法对所述参考图像进行内插处理,获取第一中间图像,采用双线性内插法对所述参考图像进行内插处理,获取第二中间图像;计算所述选取的三帧图像中的中间帧图像与所述第一中间图像的图像相似度,获取第一图像相似度,计算所述中间帧图像与所述第二中间图像的图像相似度,获取第二图像相似度;响应于所述第一图像相似度和所述第二图像相似度中的任一个符合预设相似度阈值,确定所述中间帧图像为内插图像,按此方式,统计出所述被测视频中的内插图像的数量;响应于所述被测视频中的内插图像数量超过预设图像阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;响应于所述被测视频中的内插图像数量未超过预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值;
或者,
响应于重复帧的比例未超过预设比例阈值,获取被测视频的各帧图像的频谱累积能量数据;基于所述获取的各帧图像的频谱累积能量数据,确定所述被测视频中插值图像的数量;响应于所述被测视频中的插值图像数量未超过所述预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值;
或者,响应于重复帧的比例未超过预设比例阈值,计算被测视频的各帧图像的频谱累积能量数据;从被测视频的第一帧图像开始,分别计算当前帧图像与后两帧图像的频谱累积能量数据之间的差异,得到被测视频的所有帧图像的差异计算结果;判断所述差异计算结果是否具有周期性特征,响应于所述差异计算结果具有周期性特征,基于所述差异计算结果确定所述被测视频中所有插值图像的数量;响应于所述被测视频中的插值图像数量超过所述预设图像阈值,确定所述被测视频的有效帧率为不合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率不合格值;响应于所述被测视频中的插值图像数量未超过所述预设图像阈值,确定所述被测视频的有效帧率为合格,则所述基于采用时域表征的视频有效帧率的检测结果为帧率合格值。
7.根据权利要求3所述的方法,其特征在于,所述基于采用色域表征的视频显示色彩特性对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域;
获取所述被测视频的所有帧图像中触及所述高动态范围所使用标准的色域的帧图像数量的占比;以及,
响应于所述占比超过预设占比阈值,确定所述被测视频触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色合格值;
或者,
所述基于采用色域表征的视频显示色彩特性对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,获取所述选取的一帧图像中所有图像块的色度坐标值,获取所述获取的色度坐标值中超出标准动态范围SDR所使用标准的色域的数量,响应于所述超出的数量超过预设超域数量阈值,确定所述选取的一帧图像触及高动态范围HDR所使用标准的色域,响应于所述超出的数量未超过所述预设超域数量阈值,确定所述选取的一帧图像未触及高动态范围HDR所使用标准的色域,按此方式,判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域;
获取所述被测视频的所有帧图像中触及所述高动态范围所使用标准的色域的帧图像数量的占比;
响应于所述占比超过预设占比阈值,确定所述被测视频触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色合格值;以及,
响应于所述占比未超过预设占比阈值,确定所述被测视频未触及所述高动态范围所使用标准的色域,则所述基于采用色域表征的视频显示色彩特性的检测结果为显色不合格值。
8.根据权利要求7所述的方法,其特征在于,还包括在判断所述被测视频的每帧图像中是否触及所述高动态范围所使用标准的色域之前,分析所述被测视频的视频格式参数中的电光转换函数EOTF曲线标识,所述电光转换函数EOTF曲线标识的分析结果作为第一参数分析结果;分析所述被测视频的视频格式参数中的视频目标显示亮度,所述视频目标显示亮度的分析结果作为第二参数分析结果;
所述获取所述选取的一帧图像中所有图像块的色度坐标值,包括:基于所述第一参数分析结果和第二参数分析结果以及相应的标准,获取所述选取的一帧图像中所有图像块的色度坐标值。
9.根据权利要求3所述的方法,其特征在于,所述基于视频信号量化特性对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像的量化比特数是否不合格;
获取所述被测视频的所有帧图像中量化比特数不合格的帧数占比;以及,
响应于所述帧数占比未达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化合格值;
或者,
所述基于视频信号量化特性对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,判断所述选取的一帧图像中所有像素的信号分量样值的低有效位是否都相同,响应于所述低有效位都相同,确定所述选取的一帧图像的量化比特数不合格;响应于所述低有效位不都相同,判断所述选取的一帧图像的量化比特数是否不合格,按此方式,判断所述被测视频的每帧图像的量化比特数是否不合格;
获取所述被测视频的所有帧图像中量化比特数属于不合格的帧数占比;
响应于所述帧数占比达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化不合格值;以及,
响应于所述帧数占比未达到预设帧数占比阈值,所述基于视频信号量化特性的检测结果为量化合格值。
10.根据权利要求9所述的方法,其特征在于,所述判断所述被测视频的每帧图像的量化比特数是否不合格,包括:
基于所述被测视频的每帧图像的信号直方图或者基于所述被测视频的每帧图像中的像素信号分量样值,判断所述被测视频的每帧图像的量化比特数是否不合格。
11.根据权利要求3所述的方法,其特征在于,所述基于采用图像显示特性表征的视频动态范围对所述被测视频进行检测,包括:
判断所述被测视频的每帧图像是否属于合格的动态图像;
获取所述被测视频的所有帧图像中属于合格的动态图像的比例;
响应于所述属于合格的动态图像的比例超过预设合格比例阈值,确定所述被测视频属于合格的动态视频;
确定所述被测视频的任意两相邻帧图像的帧间亮度差异值,并统计所述确定的帧间亮度差异值超过预设帧间亮度差异阈值的数量;以及,
响应于所述超过的数量小于预设差异数量阈值且所述被测视频属于合格的动态视频,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围合格值;
或者,
所述基于采用图像显示特性表征的视频动态范围对所述被测视频进行检测,包括:
选取所述被测视频的一帧图像,基于所述选取的一帧图像中各个图像块的显示特性数据,判断所述选取的一帧图像是否属于合格的动态图像,按此方式,判断所述被测视频的每帧图像是否属于合格的动态图像;
获取所述被测视频的所有帧图像中属于合格的动态图像的比例;
响应于所述属于合格的动态图像的比例超过预设合格比例阈值,确定所述被测视频属于合格的动态视频;
确定所述被测视频的任意两相邻帧图像的帧间亮度差异值,并统计所述确定的帧间亮度差异值超过预设帧间亮度差异阈值的数量;
响应于所述超过的数量小于预设差异数量阈值且所述被测视频属于合格的动态视频,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围合格值,否则,所述基于采用图像显示特性表征的视频动态范围的检测结果为范围不合格值。
12.根据权利要求11所述的方法,其特征在于,还包括在判断所述被测视频的每帧图像是否属于合格的动态图像之前,分析所述被测视频的视频格式参数中的电光转换函数EOTF曲线标识,所述电光转换函数EOTF曲线标识的分析结果作为第一参数分析结果;分析所述被测视频的视频格式参数中的视频目标显示亮度,所述视频目标显示亮度的分析结果作为第二参数分析结果;
所述预设帧间亮度差异阈值基于所述第一参数分析结果和所述第二参数分析结果设定;
所述判断所述被测视频的每帧图像是否属于合格的动态图像,包括:基于选取的一帧图像中各个图像块的显示特性数据、所述第一参数分析结果和所述第二参数分析结果,判断所述选取的一帧图像是否属于合格的动态图像。
13.根据权利要求3所述的方法,其特征在于,所述基于视频处理及压缩质量对所述被测视频进行检测,包括:
基于质量判定模型对被测视频进行质量判定,获取归一化的判定结果;以及,
响应于所述归一化的判定结果超过预设判定阈值,所述基于视频处理及压缩质量的检测结果为质量合格值,所述质量合格值为所述归一化的判定结果。
14.一种超高清视频检测系统,其特征在于,包括:
第一获取模块,用于基于超高清视频显著特征要素对被测视频进行检测,获取第一检测结果;
第二获取模块,用于响应于所述第一检测结果符合第一预设条件,基于超高清视频内容特性要素对所述被测视频进行检测,获取第二检测结果;以及,
确定模块,用于响应于所述第二检测结果符合第二预设条件,确定所述被测视频属于超高清视频。
15.根据权利要求14所述的系统,其特征在于,所述系统实现如权利要求1-13中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408552.1A CN111696078B (zh) | 2020-05-14 | 2020-05-14 | 一种超高清视频检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010408552.1A CN111696078B (zh) | 2020-05-14 | 2020-05-14 | 一种超高清视频检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111696078A true CN111696078A (zh) | 2020-09-22 |
CN111696078B CN111696078B (zh) | 2023-05-26 |
Family
ID=72477813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010408552.1A Active CN111696078B (zh) | 2020-05-14 | 2020-05-14 | 一种超高清视频检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111696078B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528856A (zh) * | 2020-12-10 | 2021-03-19 | 天津大学 | 一种基于特征帧的重复视频检测方法 |
CN112949480A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于yolov3算法的铁轨弹条检测方法 |
CN113992880A (zh) * | 2021-10-15 | 2022-01-28 | 上海佰贝科技发展股份有限公司 | 4k视频识别方法、系统、设备及计算机可读存储介质 |
CN115209221A (zh) * | 2022-06-14 | 2022-10-18 | 北京博雅睿视科技有限公司 | 视频帧率的检测方法、装置、电子设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014159393A1 (en) * | 2013-03-14 | 2014-10-02 | Microsoft Corporation | Hdmi image quality analysis |
US8913184B1 (en) * | 2011-07-21 | 2014-12-16 | Marvell International Ltd. | Systems and methods for determining video field sharpness |
CN104967840A (zh) * | 2015-06-19 | 2015-10-07 | 中央电视台 | 一种视频图像超标检测方法及装置 |
US20160381422A1 (en) * | 2010-08-12 | 2016-12-29 | Echostar Technologies L.L.C. | User-selected media content blocking |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
JP2019145974A (ja) * | 2018-02-20 | 2019-08-29 | 日本放送協会 | 超高精細映像に適した画質評価装置 |
CN110505472A (zh) * | 2019-07-15 | 2019-11-26 | 武汉大学 | 一种h.265超高清视频质量评价方法 |
CN110545416A (zh) * | 2019-09-03 | 2019-12-06 | 国家广播电视总局广播电视科学研究院 | 一种基于深度学习的超高清片源检测方法 |
-
2020
- 2020-05-14 CN CN202010408552.1A patent/CN111696078B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160381422A1 (en) * | 2010-08-12 | 2016-12-29 | Echostar Technologies L.L.C. | User-selected media content blocking |
US8913184B1 (en) * | 2011-07-21 | 2014-12-16 | Marvell International Ltd. | Systems and methods for determining video field sharpness |
WO2014159393A1 (en) * | 2013-03-14 | 2014-10-02 | Microsoft Corporation | Hdmi image quality analysis |
CN104967840A (zh) * | 2015-06-19 | 2015-10-07 | 中央电视台 | 一种视频图像超标检测方法及装置 |
JP2019145974A (ja) * | 2018-02-20 | 2019-08-29 | 日本放送協会 | 超高精細映像に適した画質評価装置 |
CN109831680A (zh) * | 2019-03-18 | 2019-05-31 | 北京奇艺世纪科技有限公司 | 一种视频清晰度的评价方法及装置 |
CN110505472A (zh) * | 2019-07-15 | 2019-11-26 | 武汉大学 | 一种h.265超高清视频质量评价方法 |
CN110545416A (zh) * | 2019-09-03 | 2019-12-06 | 国家广播电视总局广播电视科学研究院 | 一种基于深度学习的超高清片源检测方法 |
Non-Patent Citations (4)
Title |
---|
周芸;胡潇;郭晓强;李小雨;: "基于深度学习的超高清片源检测系统研究与实现" * |
周芸;胡潇;郭晓强;李小雨;: "基于深度学习的超高清片源检测系统研究与实现", 广播电视信息 * |
王聪;: "一种基于监控系统的图像清晰度检测算法" * |
王聪;: "一种基于监控系统的图像清晰度检测算法", 电视技术 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112528856A (zh) * | 2020-12-10 | 2021-03-19 | 天津大学 | 一种基于特征帧的重复视频检测方法 |
CN112528856B (zh) * | 2020-12-10 | 2022-04-15 | 天津大学 | 一种基于特征帧的重复视频检测方法 |
CN112949480A (zh) * | 2021-03-01 | 2021-06-11 | 浙江大学 | 一种基于yolov3算法的铁轨弹条检测方法 |
CN113992880A (zh) * | 2021-10-15 | 2022-01-28 | 上海佰贝科技发展股份有限公司 | 4k视频识别方法、系统、设备及计算机可读存储介质 |
CN113992880B (zh) * | 2021-10-15 | 2024-04-12 | 上海佰贝科技发展股份有限公司 | 4k视频识别方法、系统、设备及计算机可读存储介质 |
CN115209221A (zh) * | 2022-06-14 | 2022-10-18 | 北京博雅睿视科技有限公司 | 视频帧率的检测方法、装置、电子设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111696078B (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111696078B (zh) | 一种超高清视频检测方法及系统 | |
JP6697755B2 (ja) | 映像表示装置及び映像表示方法 | |
CN103155535B (zh) | 使用局部色域定义的图像处理方法和设备 | |
CN108933935B (zh) | 视频通信系统的检测方法、装置、存储介质和计算机设备 | |
Papadopoulos et al. | A video texture database for perceptual compression and quality assessment | |
EP1525753A1 (en) | A method and apparatus for measuring the quality of video data | |
CN109218716B (zh) | 基于色彩统计和信息熵无参考色调映射图像质量评价方法 | |
US11259029B2 (en) | Method, device, apparatus for predicting video coding complexity and storage medium | |
EP2716055B1 (en) | Systems and methods for testing video hardware by evaluating output video frames containing embedded reference characteristics | |
CN112950596B (zh) | 基于多区域多层次的色调映射全向图像质量评价方法 | |
CN108806638B (zh) | 一种图像的显示方法及其装置 | |
Zhang et al. | Perceptual video coding with block-level staircase just noticeable distortion | |
US20200007839A1 (en) | Method for processing an input image, device, terminal equipment and associated computer program | |
JP5013487B2 (ja) | 映像の客観画質評価装置 | |
CN110910347A (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
Vora et al. | Analysis of compressed image quality assessments, m | |
Rao et al. | Image quality assessment complemented with visual regions of interest | |
CN116915971A (zh) | 硬件在环视频数据的质量评估方法、装置、设备及介质 | |
Gao et al. | A content-based image quality metric | |
CN101370154A (zh) | 一种图像质量的评测方法及装置 | |
CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
CN115810021A (zh) | 一种色调映射方法、设备及系统 | |
CN111402189B (zh) | 一种视频图像偏色检测装置及方法 | |
Feng et al. | BVI-Artefact: An Artefact Detection Benchmark Dataset for Streamed Videos | |
CN111882536A (zh) | 一种基于图片对比实现散货数量监测的方法 |
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 |