CN111711816B - 基于可察知编码效应强度的视频客观质量评价方法 - Google Patents
基于可察知编码效应强度的视频客观质量评价方法 Download PDFInfo
- Publication number
- CN111711816B CN111711816B CN202010649273.4A CN202010649273A CN111711816B CN 111711816 B CN111711816 B CN 111711816B CN 202010649273 A CN202010649273 A CN 202010649273A CN 111711816 B CN111711816 B CN 111711816B
- Authority
- CN
- China
- Prior art keywords
- effect
- video
- observable
- coding
- pea
- 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.)
- Expired - Fee Related
Links
- 230000000694 effects Effects 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000001514 detection method Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 9
- 101100217475 Arabidopsis thaliana ACA1 gene Proteins 0.000 claims description 6
- 101100533932 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) SPA2 gene Proteins 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000005574 cross-species transmission Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 102100039578 ETS translocation variant 4 Human genes 0.000 claims description 3
- 101000813747 Homo sapiens ETS translocation variant 4 Proteins 0.000 claims description 3
- 101100463348 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) PEA2 gene Proteins 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 9
- 230000000007 visual effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
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
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N17/00—Diagnosis, testing or measuring for television systems or their details
- H04N2017/008—Diagnosis, testing or measuring for television systems or their details for television teletext
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于可察知编码效应强度的视频客观质量评价方法，包括以下步骤：步骤S1:每类可察知编码效应的正负样本输入DenseNet卷积神经网络，训练得到相应的可察知编码效应的检测和识别模型；步骤S2:根据训练后的基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，得到视频的可察知编码效应强度；步骤S3:计算基于可察知编码效应强度的客观质量指标Q;步骤S4:通过主观测试，计算视频的平均主观意见分，建立基于可察知编码效应强度的客观质量指标Q与视频平均主观意见分的映射关系;步骤S5：根据客观质量指标Q与视频平均主观意见分的映射关系，构建基于可察知编码效应的视频质量评价模型。本发明能够精确的获得视频图像质量的评价结果。
Description
技术领域
本发明涉及视频质量评价领域，具体涉及基于可察知编码效应强度的视频客观质量评价方法。
背景技术
可察知编码效应很大程度上会影响用户从视频图像中获取完整清晰的信息，极大地影响了用户的视觉质量，且可察知编码效应是现代有损视频编码输出质量降低的根本原因之一。目前，视频压缩编码会产生可察知编码效应的原因有两种：一种是无法满足香农理论的有限长的无损编码，另一种是由于人类视觉系统的复杂性，视觉的感知质量与人的主观视觉质量并不能保持一致，会产生一定的量化误差，使视频图像序列在空间和时间特性上受到局部或全局的影响。因此,对可察知编码效应进行检测识别，对其评价和分类有助于设计更有效的自适应量化算法、编码机制和后处理技术，从而提高视频编解码器的性能，促进电子市场的各种视频编码产品的发展。
发明内容
有鉴于此，本发明的目的在于提供一种基于可察知编码效应强度的视频客观质量评价方法，能够精确的获得视频图像质量的评价结果。
为实现上述目的，本发明采用如下技术方案：
一种基于可察知编码效应强度的视频客观质量评价方法，包括以下步骤：
步骤S1:构建DenseNet卷积神经网络，并将每类可察知编码效应的正负样本输入DenseNet卷积神经网络，训练得到相应的可察知编码效应的检测和识别模型；
步骤S2:根据训练后的基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，得到视频的可察知编码效应强度；
步骤S3:计算基于可察知编码效应强度的客观质量指标Q；
步骤S4:通过主观测试，计算视频的平均主观意见分，建立基于可察知编码效应强度的客观质量指标Q与视频平均主观意见分的映射关系；
步骤S5：根据客观质量指标Q与视频平均主观意见分的映射关系，构建基于可察知编码效应的视频质量评价模型。
进一步的，所述步骤S1具体为：
步骤S11:采集6类可察知编码效应样本，并进行预处理，作为训练网络的数据输入；
步骤S12:构建初始网络模型,并根据预处理后的数据进行模型训练，得到训练后的网络模型；
步骤S13:对训练后的网络模型进行模型验证，确认是否满足预设要求，若满足则保存模型作为基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，若不满足则重新训练直至满足预设要求。
进一步的，所述6类可察知编码效应样本包括模糊效应样本、块效应样本、振铃效应样本、彩色溢出效应样本、闪烁效应样本和漂浮效应样本。
进一步的，所述模型训练具体为：在检测模型训练的过程中，针对每类的可察知编码效应，从所构建的大规模数据库中随机抽取共50000张样本，其中75％作为训练集，其正负样本的比例为2:3；25％作为测试集，其正负样本的比例为1:1。在训练模型过程中，使用SGD优化器，批处理数据为32，动量为0.9000，权重衰减为0.0001，在训练过程中学习率使用了阶梯式的衰减，每30次迭代减小10倍。在卷积神经网络训练的过程中，对网络超参数的调整、网络层结构的微调、网络优化器选择等工作能够使得网络的精度与性能得到提升。
进一步的，所述步骤S2具体为：
步骤S21:将可察知编码效应模式用6位二进制值表示，二进制值表示对应的6种可察知编码效应是否存在，如果存在，值为1，否则值为0；
步骤S22:将测试视频作为基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型的输入，对视频进行分块，通过统计每一图像块中，6种可察知编码效应所对应的二进制值，进而统计视频的可察知编码效应强度值。
步骤S23：将可察知编码效应的强度表示为IPEA，代表一图像块中二进制1的百分比，对IPEA的计算如下所示：
PEAi＝PEAi1|PEAi2|PEAi3|PEAi4|PEAi5|PEAi6
其中，PEAi1到PEAi6分别表示第块图像/视频块的模糊效应、块效应、彩色溢出效应、振铃效应、闪烁效应和漂浮效应强度，PEAi表示第块图像/视频块的6类可察知编码效应总强度，Ntotal是一个视频中所有不重叠块的数量之和。
进一步的，所述步骤S3具体为：
步骤S31：将客观质量表示为Q，则客观质量与可察知编码效应强度关系：
其中IPEAi是6类PEA强度值且满足
ω1到ω5分别从0.01循环到0.99，步长为0.01，如果
则该趟循环结束；
步骤S31：计算所选取序列的客观质量与主观质量MOS的相关性，得到所选取的5个序列的相关性之和
最大时对应的ωi值；
步骤S32：6类可察知编码效应强度与客观质量如下：
Q1＝1-0.72IPEA1-0.1IPEA2-0.01IPEA3-0.09IPEA4-0.07IPEA5-0.01IPEA6
其中，IPEA1到IPEA6分别为一个视频中对应的块效应、模糊效应、彩色溢出效应、振铃效应、闪烁效应和漂浮效应强度。
进一步的，所述步骤S4具体为：
步骤S41:采用主观测试方法中的单激励测量法，即每次只为测试人员提供一个视频进行质量评估,让测试人员对视频进行主观评分；
步骤S42：对收集到的主观分数进行数据处理，每个测试视频的MOS值，计算公式如下：
其中Si表示每个测试者对同一个视频的评分；N代表测试人员数量；
步骤S43：计算每个测试人员的评分与MOS之间的相关系数以验证获得的MOS值的可靠性
步骤S44：通过步骤43的计算结果，依据ITU-R BT.1788，对测试数据进行筛选。
步骤S45：将步骤S3获得的视频的客观质量指标Q与步骤S34进行筛选处理后的平均主观意见分建立映射关系。
进一步的，所述相关系数包括PLCC、KROCC和SROCC。
本发明与现有技术相比具有以下有益效果：
本发明能够精确的获得视频图像质量的评价结果。
附图说明
图1是本发明整体工作流程图
图2是本发明一实施例中基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型图；
图3是本发明一实施例中主观数据初步筛选流程图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1，本发明提供一种基于可察知编码效应强度的视频客观质量评价方法，包括以下步骤：
步骤S1:每类可察知编码效应的正负样本输入DenseNet卷积神经网络，训练得到相应的可察知编码效应的检测和识别模型；
步骤S2:根据训练后的基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，得到视频的可察知编码效应强度；
步骤S3:计算基于可察知编码效应强度的客观质量指标Q；
步骤S4:通过主观测试，计算视频的平均主观意见分，建立基于可察知编码效应强度的客观质量指标Q与视频平均主观意见分的映射关系；
步骤S5：根据客观质量指标Q与视频平均主观意见分的映射关系，构建基于可察知编码效应的视频质量评价模型。
在本实施例中，参考图2，基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，训练时，6种可察知编码效应作为输入，在两个密集连接块之间，1×1卷积层和2×2的平均池化层构成了过渡层，避免密集连接造成的网络变宽和输出特征图数量增加的问题；最终，利用SoftMax分类器完成对可察知编码效应的检测，输出为1的样本，即认为存在相应的可察知编码效应，具体为：
步骤S11:采集6类可察知编码效应样本，并进行预处理，作为训练网络的数据输入；
步骤S12:构建初始网络模型,并根据预处理后的数据进行模型训练，得到训练后的网络模型；
步骤S13:对训练后的网络模型进行模型验证，确认是否满足预设要求，若满足则保存模型作为基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，若不满足则重新训练直至满足预设要求。
在本实施例中，所述6类可察知编码效应样本包括模糊效应样本、块效应样本、振铃效应样本、彩色溢出效应样本、闪烁效应样本和漂浮效应样本。
在本实施例中，，所述模型训练具体为：在检测模型训练的过程中，针对每类的可察知编码效应，从所构建的大规模数据库中随机抽取共50000张样本，其中75％作为训练集，其正负样本的比例为2:3；25％作为测试集，其正负样本的比例为1:1。在训练模型过程中，使用SGD优化器，批处理数据为32，动量为0.9000，权重衰减为0.0001，在训练过程中学习率使用了阶梯式的衰减，每30次迭代减小10倍。在卷积神经网络训练的过程中，对网络超参数的调整、网络层结构的微调、网络优化器选择等工作能够使得网络的精度与性能得到提升。
在本实施例中，所述步骤S2具体为：
步骤S21:将可察知编码效应模式用6位二进制值表示，二进制值表示对应的6种可察知编码效应是否存在，如果存在，值为1，否则值为0；
步骤S22:将测试视频作为基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型的输入，对视频进行分块，通过统计每一图像块中，6种可察知编码效应所对应的二进制值，进而统计视频的可察知编码效应强度值。
步骤S23：将可察知编码效应的强度表示为IPEA，代表一图像块中二进制1的百分比，对IPEA的计算如下所示：
PEAi＝PEAi1|PEAi2|PEAi3|PEAi4|PEAi5|PEAi6
其中，PEAi1到PEAi6分别表示第块图像/视频块的模糊效应、块效应、彩色溢出效应、振铃效应、闪烁效应和漂浮效应强度，PEAi表示第块图像/视频块的6类可察知编码效应总强度，Ntotal是一个视频中所有不重叠块的数量之和。
在本实施例中，所述步骤S3具体为：
步骤S31：将客观质量表示为Q，则客观质量与可察知编码效应强度关系：
其中IPEAi是6类PEA强度值且满足
ω1到ω5分别从0.01循环到0.99，步长为0.01，如果
则该趟循环结束；
步骤S31：计算所选取序列的客观质量与主观质量MOS的相关性，得到所选取的5个序列的相关性之和
最大时对应的ωi值；
步骤S32：6类可察知编码效应强度与客观质量如下：
Q1＝1-0.72IPEA1-0.1IPEA2-0.01IPEA3-0.09IPEA4-0.07IPEA5-0.01IPEA6
其中，IPEA1到IPEA6分别为一个视频中对应的块效应、模糊效应、彩色溢出效应、振铃效应、闪烁效应和漂浮效应强度。
在本实施例中，参考图3,，所述步骤S4具体为：
步骤S41:采用主观测试方法中的单激励测量法，即每次只为测试人员提供一个视频进行质量评估,让测试人员对视频进行主观评分；优选的，测试人员为没有图像处理的相关先验知识或研究经验的人员；评分区间为0-10分，0分为最差，10分为最好；
步骤S42：对收集到的主观分数进行数据处理，每个测试视频的MOS值，计算公式如下：
其中Si表示每个测试者对同一个视频的评分；N代表测试人员数量；
步骤S43：计算每个测试人员的评分与MOS之间的相关系数以验证获得的MOS值的可靠性，其中相关系数包括PLCC、KROCC和SROCC；
步骤S44：通过步骤43的计算结果，依据ITU-R BT.1788，对测试数据进行筛选。
步骤S45：将步骤S3获得的视频的客观质量指标Q与步骤S34进行筛选处理后的平均主观意见分建立映射关系。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (6)
1.一种基于可察知编码效应强度的视频客观质量评价方法，其特征在于，包括以下步骤：
步骤S1:构建DenseNet卷积神经网络，并将每类可察知编码效应的正负样本输入DenseNet卷积神经网络，训练得到相应的可察知编码效应的检测和识别模型；
步骤S2:根据训练后的基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，得到视频的可察知编码效应强度；
所述步骤S2具体为：
步骤S21:将可察知编码效应模式用6位二进制值表示，二进制值表示对应的6种可察知编码效应是否存在，如果存在，值为1，否则值为0；
步骤S22:将测试视频作为基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型的输入，对视频进行分块，通过统计每一图像块中，6种可察知编码效应所对应的二进制值，进而统计视频的可察知编码效应强度值；
步骤S23：将可察知编码效应的强度表示为IPEA，代表一图像块中二进制1的百分比，对IPEA的计算如下所示：
PEAi＝PEAi1|PEAi2|PEAi3|PEAi4|PEAi5|PEAi6
其中，PEAi1到PEAi6分别表示第i块图像/视频块的模糊效应、块效应、彩色溢出效应、振铃效应、闪烁效应和漂浮效应强度，PEAi表示第i块图像/视频块的6类可察知编码效应总强度，Ntotal是一个视频中所有不重叠块的数量之和
步骤S3:计算基于可察知编码效应强度的客观质量指标Q；
步骤S4:通过主观测试，计算视频的平均主观意见分，建立基于可察知编码效应强度的客观质量指标Q与视频平均主观意见分的映射关系；
步骤S5：根据客观质量指标Q与视频平均主观意见分的映射关系，构建基于可察知编码效应的视频质量评价模型。
2.根据权利要求1所述的基于可察知编码效应强度的视频客观质量评价方法，其特征在于，所述步骤S1具体为：
步骤S11:采集6类可察知编码效应样本，并进行预处理，作为训练网络的数据输入；
步骤S12:构建初始网络模型,并根据预处理后的数据进行模型训练，得到训练后的网络模型；
步骤S13:对训练后的网络模型进行模型验证，确认是否满足预设要求，若满足则保存模型作为基于DenseNet卷积神经网络的可察知编码效应的检测和识别模型，若不满足则重新训练直至满足预设要求。
3.根据权利要求2所述的基于可察知编码效应强度的视频客观质量评价方法，其特征在于，所述6类可察知编码效应样本包括模糊效应样本、块效应样本、振铃效应样本、彩色溢出效应样本、闪烁效应样本和漂浮效应样本。
4.根据权利要求1所述的基于可察知编码效应强度的视频客观质量评价方法，其特征在于，所述步骤S3具体为：
步骤S31：将客观质量表示为Q，则客观质量与可察知编码效应强度关系：
其中IPEAi是6类PEA强度值且满足
ω1到ω5分别从0.01循环到0.99，步长为0.01，如果
则该趟循环结束；
步骤S31：计算所选取序列的客观质量与主观质量MOS的相关性，得到所选取的5个序列的相关性之和
最大时对应的ωi值；
步骤S32：6类可察知编码效应强度与客观质量如下：
Q1＝1-0.72IPEA1-0.1IPEA2-0.01IPEA3-0.09IPEA4-0.07IPEA5-0.01IPEA6
其中，IPEA1到IPEA6分别为一个视频中对应的块效应、模糊效应、彩色溢出效应、振铃效应、闪烁效应和漂浮效应强度。
5.根据权利要求1所述的基于可察知编码效应强度的视频客观质量评价方法，其特征在于，所述步骤S4具体为：
步骤S41:采用主观测试方法中的单激励测量法，即每次只为测试人员提供一个视频进行质量评估,让测试人员对视频进行主观评分；
步骤S42：对收集到的主观分数进行数据处理，每个测试视频的MOS值，计算公式如下：
其中Si表示每个测试者对同一个视频的评分；N代表测试人员数量；
步骤S43：计算每个测试人员的评分与MOS之间的相关系数以验证获得的MOS值的可靠性；
步骤S44：通过步骤S43的计算结果，依据ITU-R BT.1788，对测试数据进行筛选；
步骤S45：将步骤S3获得的视频的客观质量指标Q与步骤S44进行筛选处理后的平均主观意见分建立映射关系。
6.根据权利要求5所述的基于可察知编码效应强度的视频客观质量评价方法，其特征在于，所述相关系数包括PLCC、KROCC和SROCC。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010649273.4A CN111711816B (zh) | 2020-07-08 | 2020-07-08 | 基于可察知编码效应强度的视频客观质量评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010649273.4A CN111711816B (zh) | 2020-07-08 | 2020-07-08 | 基于可察知编码效应强度的视频客观质量评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111711816A CN111711816A (zh) | 2020-09-25 |
| CN111711816B true CN111711816B (zh) | 2022-11-11 |
Family
ID=72545440
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010649273.4A Expired - Fee Related CN111711816B (zh) | 2020-07-08 | 2020-07-08 | 基于可察知编码效应强度的视频客观质量评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111711816B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113810555A (zh) * | 2021-09-17 | 2021-12-17 | 福建省二建建设集团有限公司 | 一种基于最小可觉差和块效应的视频质量评价方法 |
| CN114401400B (zh) * | 2022-01-19 | 2024-06-14 | 福州大学 | 基于视觉显著性编码效应感知的视频质量评测方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1885954A (zh) * | 2005-06-23 | 2006-12-27 | 华为技术有限公司 | 一种方块效应度量方法和视频质量评估方法 |
| CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
| JP2009027432A (ja) * | 2007-07-19 | 2009-02-05 | Nippon Telegr & Teleph Corp <Ntt> | 映像品質客観評価方法、映像品質客観評価装置およびプログラム |
| CN101742353A (zh) * | 2008-11-04 | 2010-06-16 | 工业和信息化部电信传输研究所 | 无参考视频质量评价方法 |
| JP2011205253A (ja) * | 2010-03-24 | 2011-10-13 | Nippon Telegr & Teleph Corp <Ntt> | トランスコード映像品質客観評価装置及び方法及びプログラム |
| CN105100789A (zh) * | 2015-07-22 | 2015-11-25 | 天津科技大学 | 一种视频质量评价方法 |
| CN106412572A (zh) * | 2016-10-14 | 2017-02-15 | 中国传媒大学 | 一种基于运动特性的视频流编码质量评价方法 |
| CN107657229A (zh) * | 2017-09-25 | 2018-02-02 | 上海交通大学 | 一种基于内容分类的视频模糊度检测人眼视觉修正方法 |
| CN108401150A (zh) * | 2018-03-22 | 2018-08-14 | 浙江科技学院 | 一种模拟视觉主观感知的压缩感知重建算法质量统计评价方法 |
| CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
| CN110189291A (zh) * | 2019-04-09 | 2019-08-30 | 浙江大学 | 一种基于多任务卷积神经网络的通用无参考图像质量评价方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050105802A1 (en) * | 2003-11-14 | 2005-05-19 | Hekstra Andries P. | Method and an arrangement for objective assessment of video quality |
-
2020
- 2020-07-08 CN CN202010649273.4A patent/CN111711816B/zh not_active Expired - Fee Related
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1885954A (zh) * | 2005-06-23 | 2006-12-27 | 华为技术有限公司 | 一种方块效应度量方法和视频质量评估方法 |
| JP2009027432A (ja) * | 2007-07-19 | 2009-02-05 | Nippon Telegr & Teleph Corp <Ntt> | 映像品質客観評価方法、映像品質客観評価装置およびプログラム |
| CN101282481A (zh) * | 2008-05-09 | 2008-10-08 | 中国传媒大学 | 一种基于人工神经网络的视频质量评价方法 |
| CN101742353A (zh) * | 2008-11-04 | 2010-06-16 | 工业和信息化部电信传输研究所 | 无参考视频质量评价方法 |
| JP2011205253A (ja) * | 2010-03-24 | 2011-10-13 | Nippon Telegr & Teleph Corp <Ntt> | トランスコード映像品質客観評価装置及び方法及びプログラム |
| CN105100789A (zh) * | 2015-07-22 | 2015-11-25 | 天津科技大学 | 一种视频质量评价方法 |
| CN106412572A (zh) * | 2016-10-14 | 2017-02-15 | 中国传媒大学 | 一种基于运动特性的视频流编码质量评价方法 |
| CN107657229A (zh) * | 2017-09-25 | 2018-02-02 | 上海交通大学 | 一种基于内容分类的视频模糊度检测人眼视觉修正方法 |
| CN108401150A (zh) * | 2018-03-22 | 2018-08-14 | 浙江科技学院 | 一种模拟视觉主观感知的压缩感知重建算法质量统计评价方法 |
| CN109816625A (zh) * | 2018-11-27 | 2019-05-28 | 广东电网有限责任公司 | 一种视频质量评分实现方法 |
| CN110189291A (zh) * | 2019-04-09 | 2019-08-30 | 浙江大学 | 一种基于多任务卷积神经网络的通用无参考图像质量评价方法 |
Non-Patent Citations (3)
| Title |
|---|
| Evaluating the impact of frame aggregation on video-streaming over IEEE 802.11n multihop networks;Sascha Gübner;《 2012 IEEE International Symposium on a World of Wireless, Mobile and Multimedia Networks (WoWMoM)》;20120628;全文 * |
| 压缩感知视频传输中质量评价及相关问题研究;陈守宁;《中国博士学位论文全文数据库》;20180115;全文 * |
| 基于HTTP自适应流媒体传输的3D视频质量评价;翟宇轩;《北京航空航天大学学报》;20190802;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111711816A (zh) | 2020-09-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108090902B (zh) | 一种基于多尺度生成对抗网络的无参考图像质量客观评价方法 | |
| CN107636690B (zh) | 基于卷积神经网络的全参考图像质量评估 | |
| CN112507901B (zh) | 一种基于伪标签自纠正的无监督行人重识别方法 | |
| CN110728656A (zh) | 基于元学习的无参考图像质量数据处理方法、智能终端 | |
| CN111711816B (zh) | 基于可察知编码效应强度的视频客观质量评价方法 | |
| KR102190325B1 (ko) | 얼굴 이미지들로부터의 질적인 특성의 평가를 위한 컴퓨터-구현된 연산 디바이스를 구축하기 위한 방법 | |
| CN109496334A (zh) | 用于评估语音质量的设备和方法 | |
| CN107743225B (zh) | 一种利用多层深度表征进行无参考图像质量预测的方法 | |
| CN114566282B (zh) | 一种基于超声心动图检测报告的治疗决策系统 | |
| CN111861909A (zh) | 一种网络细粒度图像去噪分类方法 | |
| CN117237279A (zh) | 一种非均匀失真全景图像盲质量评价方法及系统 | |
| CN111340098B (zh) | 基于鞋印图像的STA-Net年龄预测方法 | |
| CN111861667A (zh) | 车辆推荐方法及装置、电子设备、存储介质 | |
| CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
| CN113313682B (zh) | 基于时空多尺度分析的无参考视频质量评价方法 | |
| CN110751170A (zh) | 面板质量检测方法、系统、终端设备及计算机可读介质 | |
| CN117636467A (zh) | 一种动作质量的评估方法、装置、电子设备及存储介质 | |
| CN116452904B (zh) | 图像美学质量确定方法 | |
| JP2021165909A (ja) | 情報処理装置、情報処理装置の情報処理方法およびプログラム | |
| CN113887335B (zh) | 基于多尺度时空层级网络的跌倒风险实时评估系统和方法 | |
| CN111467729A (zh) | 一种基于预测模型的跳绳计数方法 | |
| CN110751632B (zh) | 基于卷积神经网络的多尺度图像质量检测方法 | |
| CN114898241B (zh) | 基于计算机视觉的视频重复动作计数系统 | |
| CN115880537B (zh) | 对抗样本图像质量评价方法及系统 | |
| CN113222032B (zh) | 基于自注意图像编码的无参考图像质量评价方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221111 |