CN112235566A - 联合决策树和模糊推理的网络视频质量评估方法及系统 - Google Patents
联合决策树和模糊推理的网络视频质量评估方法及系统 Download PDFInfo
- Publication number
- CN112235566A CN112235566A CN202011072784.0A CN202011072784A CN112235566A CN 112235566 A CN112235566 A CN 112235566A CN 202011072784 A CN202011072784 A CN 202011072784A CN 112235566 A CN112235566 A CN 112235566A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- decision tree
- inference
- indexes
- reasoning
- 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.)
- Pending
Links
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/048—Fuzzy inferencing
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N21/00—Selective content distribution, e.g. interactive television or video on demand [VOD]
- H04N21/40—Client devices specifically adapted for the reception of or interaction with content, e.g. set-top-box [STB]; Operations thereof
- H04N21/47—End-user applications
- H04N21/472—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content
- H04N21/47202—End-user interface for requesting content, additional data or services; End-user interface for interacting with content, e.g. for content reservation or setting reminders, for requesting event notification, for manipulating displayed content for requesting content on demand, e.g. video on demand
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Fuzzy Systems (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明提供一种联合决策树和模糊推理的网络视频质量评估方法及系统,所述方法包括:步骤S10、获取视频质量的影响因素;步骤S20、构建决策树模型,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,得到不同类别的叶子节点;步骤S30、根据叶子节点的类别选择对应的推理规则,将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果,计算应用指标推理结果和图像指标推理结果的加权平均值,即为视频质量的客观评估值。本发明联合了决策树和模糊推理算法,减少模糊推理处理次数,同时兼顾了视频评估准确性与效率。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种联合决策树和模糊推理的网络视频质量评估方法及系统。
背景技术
随着通信技术的不断发展,移动视频业务得到飞速发展与应用,目前越来越多的人通过移动端收看网络视频,用户对视频质量的要求也与日俱增,为了保证网络视频的服务质量,需要对网络视频进行监控和评估,以便及时采取相应的措施进行调节和维护,以保证业务的正常运行。
现有的视频质量评估主要分为主观、客观两种方法。主观评估需要用户观看视频,并通过人的视觉感受给出分值。客观评估主要分为全参考、部分参考、无参考三种方法,它们都是通过设计数学模型,然后对视频质量进行评估。传统的客观评估方法主要是根据某些影响因素构建相对固定的数学评估模型,不具有普遍适用性,也无法根据实际测试的情况及时调整数学评估模型,致使某些使用场景的准确性较低,且评估过程繁琐,耗时长,效率低下,无法满足网络视频业务的爆炸性增长环境需求。
发明内容
本发明要解决的技术问题,在于提供一种联合决策树和模糊推理的网络视频质量评估方法和系统,联合了决策树和模糊推理算法,减少模糊推理处理次数,提高了兼顾理论视频评估准确性与效率。
第一方面,本发明提供了一种联合决策树和模糊推理的网络视频质量评估方法,包括:
步骤S10、获取视频质量的影响因素;
步骤S20、构建决策树模型,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,得到不同类别的叶子节点;
步骤S30、根据叶子节点的类别选择对应的推理规则,将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果,计算应用指标推理结果和图像指标推理结果的加权平均值,即为视频质量的客观评估值。
进一步的,所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应,其中平均停顿次数和平均停顿时间为应用指标,模糊度和块效应为图像指标。
进一步的,所述步骤S20具体包括:
步骤S21、根据输入影响因素样本集以及决策树的劈分准则,构建决策树模型;所述劈分准则公式为:
其中,所述T代表输入的影响因素样本集,Ti代表第i个子样本,sd代表样本标准差,SDR代表样本的劈分点;
步骤S22、对评估值进行分类,将0-5之间的评估值分为五类:Poor表示评估值为0-1,bad表示评估值为1-2,fair表示评估值为2-3,good表示评估值为3-4,Excellent表示评估值为4-5,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,对应的得到五种类别的叶子节点。
进一步的,所述“将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果”具体包括:
将叶子节点的影响因素中的应用指标作为第一输入集,将叶子节点的影响因素中的图像指标作为第二输入集;
利用单点模糊函数对各所述影响因素进行模糊化处理;
将模糊化处理后的各所述影响因素划分成NB,NM,ZE,PM,PB五个等级,并通过锥形隶属函数得到每个输入的影响因素的隶属度值;
将带有隶属度值的第一输入集输入到第一模糊推理自学习控制器进行模糊推理,生成第一推理结果;将带有隶属度值的第二输入集输入第二模糊推理自学习控制器进行模糊推理,生成第二推理结果;所述第一模糊推理自学习控制器以及第二模糊推理自学习控制器均采用Mamdani模糊规则进行模糊推理。
第二方面,本发明提供了一种联合决策树和模糊推理的网络视频质量评估系统,包括影响因素获取模块、决策树构建模块和模糊推理模块;
所述影响因素获取模块,用于获取视频质量的影响因素;
所述决策树构建模块,用于构建决策树模型,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,得到不同类别的叶子节点;
所述模糊推理模块,用于根据叶子节点的类别选择对应的推理规则,将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果,计算应用指标推理结果和图像指标推理结果的加权平均值,即为视频质量的客观评估值。
进一步的,所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应,其中平均停顿次数和平均停顿时间为应用指标,模糊度和块效应为图像指标。
进一步的,所述决策树构建模块具体包括:用于
根据输入影响因素样本集以及决策树的劈分准则,构建决策树模型;所述劈分准则公式为:
其中,所述T代表输入的影响因素样本集,Ti代表第i个子样本,sd代表样本标准差,SDR代表样本的劈分点;
对评估值进行分类,将0-5之间的评估值分为五类:Poor表示评估值为0-1,bad表示评估值为1-2,fair表示评估值为2-3,good表示评估值为3-4,Excellent表示评估值为4-5,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,对应的得到五种类别的叶子节点。
进一步的,所述“将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果”具体包括:
将叶子节点的影响因素中的应用指标作为第一输入集,将叶子节点的影响因素中的图像指标作为第二输入集;
利用单点模糊函数对各所述影响因素进行模糊化处理;
将模糊化处理后的各所述影响因素划分成NB,NM,ZE,PM,PB五个等级,并通过锥形隶属函数得到每个输入的影响因素的隶属度值;
将带有隶属度值的第一输入集输入到第一模糊推理自学习控制器进行模糊推理,生成第一推理结果;将带有隶属度值的第二输入集输入第二模糊推理自学习控制器进行模糊推理,生成第二推理结果;所述第一模糊推理自学习控制器以及第二模糊推理自学习控制器均采用Mamdani模糊规则进行模糊推理。
本发明的优点在于:
通过搭建决策树评估模型,快速建立了影响因素与视频质量之间的关系,并对视频质量进行了分类;将分类后的叶子节点影响因素分成两组,有效减少模糊推理处理次数,提高了兼顾理论视频评估准确性与效率。
附图说明
下面参照附图结合实施例对本发明作进一步的说明。
图1为本发明一种联合决策树和模糊推理的网络视频质量评估方法的执行流程图。
图2为本发明一种联合决策树和模糊推理的网络视频质量评估系统的结构框图。
图3为本发明一具体实施例中的决策树的结构示意图。
图4是隶属度函数示意图。
图5为本发明测试结果使用的实验系统结构图。
图6为本发明与不同评估方法的对比示意图。
具体实施方式
申请实施例通过提供本发明提出了一种视频质量评估模型,它联合了决策树和模糊推理算法,进一步提高客观评估方法的准确性和综合性。
本申请实施例中的技术方案,总体思路如下:引入两种数学模型构建评估方法。首先通过搭建实验平台,提取了视频质量影响因素,其次构建了决策树模型,对视频质量进行了分类,再次将叶子节点的影响因素分成两组,分别进行模糊处理,最后把推理的结果值进行加权处理,得到客观评估值。
为了更好地理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
请参考图1,本发明的一种联合决策树和模糊推理的网络视频质量评估方法,包括:
步骤S10、获取视频质量的影响因素;
步骤S20、构建决策树模型,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,得到不同类别的叶子节点;
步骤S30、根据叶子节点的类别选择对应的推理规则,将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果,计算应用指标推理结果和图像指标推理结果的加权平均值,即为视频质量的客观评估值。
较佳的,所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应,其中平均停顿次数和平均停顿时间为应用指标,模糊度和块效应为图像指标。上述两组是具有代表性的影响指标,其中,在单位时间内应用指标越高,会造成视频反复缓冲,降低用户体验;由于视频是由每帧图像所组成,图像指标表示了每帧图像的好坏,将直接影响视频质量。因此计算这两项指标的均值,可以综合地反映出视频质量。
较佳的,所述步骤S20具体包括:
步骤S21、根据输入影响因素样本集以及决策树的劈分准则,构建决策树模型;所述劈分准则公式为:
其中,所述T代表输入的影响因素样本集,Ti代表第i个子样本,sd代表样本标准差,SDR代表样本的劈分点;比如,本实施例中将提取的影响因素样本集(平均停顿次数(RF)、平均停顿时间(MRD)、模糊度(BD)和块效应(BE))通过上述决策树构造方式得到如图3所示的决策树,实现视频质量的快速分类评估。
步骤S22、对评估值进行分类,将0-5之间的评估值分为五类:Poor表示评估值为0-1,bad表示评估值为1-2,fair表示评估值为2-3,good表示评估值为3-4,Excellent表示评估值为4-5,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,对应的得到五种类别(Poor、bad、fair、good和Excellent)的叶子节点。
较佳的,所述“将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果”具体包括:
将叶子节点的影响因素中的应用指标作为第一输入集,将叶子节点的影响因素中的图像指标作为第二输入集;比如本实施例的两组模糊推理如下:
输入1组(即第一输入集):叶子节点的平均停顿次数、平均停顿时间。
输入2组(即第二输入集):叶子节点的模糊度、块效应。
输出1组:QS1。
输出2组:QS2。
利用单点模糊函数对各所述影响因素进行模糊化处理;即根据如下单点模糊函数μ,对输入的影响因素值进行模糊化处理,当输入的值等于预置的x0时,函数值才为1,否则为0;
将模糊化处理后的各所述影响因素划分成NB(negative big,负大),NM(negativemiddle,负中),ZE(Zero,零),PM(positive middle,正中),PB(positive big,正大)五个等级,并通过锥形隶属函数得到每个输入的影响因素的隶属度值;如图4所示,隶属度值分布,其中横坐标表示输入的影响因素值,纵坐标表示隶属度值(即大致可能的概率)。
将带有隶属度值的第一输入集输入到第一模糊推理自学习控制器进行模糊推理,生成第一推理结果;将带有隶属度值的第二输入集输入第二模糊推理自学习控制器进行模糊推理,生成第二推理结果;所述第一模糊推理自学习控制器以及第二模糊推理自学习控制器均采用Mamdani模糊规则进行模糊推理。
所述Mamdani模糊规则(算法)如下:
Input:x1 is A’,x2 is B’
----------------------------------------------------------
R1:if x1is A1,x2 is B1,then O is C1;
R2:if x1 is A2,x2 is B2,then O is C2;
…
Rn:if x1 is An,x2 is Bn,then O is Cn.
----------------------------------------------------------
Output:O is C’
其中x1和x2分别表示输入的影响因素,A’和B’分别表示输入的影响因素的模糊值,A1...An和B1...Bn均表示模糊输入集,C1...Cn表示模糊输出集,O表示输出值,C’表示模糊输出,R1...Rn表示不同的规则。
本实施例中采用如下公式进行模糊推理:
Ri=(Aiand Bi)→Ci
其中A’,B’分别表示输入的影响因素的模糊值,C’表示模糊输出,R代表Mamdani模糊规则,Ri表示第i条模糊规则,Ai,Bi,Ci分别表示使用到的模糊规则,i表示正整数,n表示规则总数。当推理结束后,再对C’进行清晰化处理,就可以得到每组的推理值,最后对每组的推理值进行加权平均,比如按照应用指标和图像指标的权值分别为0.5和0.5进行计算,则客观值为Score=0.5QS1+0.5QS2,在实际过程中可根据实际需要调整上述权值,以保证结果更为贴近实际情况。
请参考图2,本发明的第二方面,本发明提供了一种联合决策树和模糊推理的网络视频质量评估系统,包括影响因素获取模块、决策树构建模块和模糊推理模块;
所述影响因素获取模块,用于获取视频质量的影响因素;
所述决策树构建模块,用于构建决策树模型,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,得到不同类别的叶子节点;
所述模糊推理模块,用于根据叶子节点的类别选择对应的推理规则,将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果,计算应用指标推理结果和图像指标推理结果的加权平均值,即为视频质量的客观评估值。
较佳的,所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应,其中平均停顿次数和平均停顿时间为应用指标,模糊度和块效应为图像指标。上述两组是具有代表性的影响指标,其中,在单位时间内应用指标越高,会造成视频反复缓冲,降低用户体验;由于视频是由每帧图像所组成,图像指标表示了每帧图像的好坏,将直接影响视频质量。因此计算这两项指标的均值,可以综合地反映出视频质量。
较佳的,所述决策树构建模块具体包括:用于
根据输入影响因素样本集以及决策树的劈分准则,构建决策树模型;所述劈分准则公式为:
其中,所述T代表输入的影响因素样本集,Ti代表第i个子样本,sd代表样本标准差,SDR代表样本的劈分点;比如,本实施例中将提取的影响因素样本集(平均停顿次数(RF)、平均停顿时间(MRD)、模糊度(BD)和块效应(BE))通过上述决策树构造方式得到如图3所示的决策树,实现视频质量的快速分类评估。
对评估值进行分类,将0-5之间的评估值分为五类:Poor表示评估值为0-1,bad表示评估值为1-2,fair表示评估值为2-3,good表示评估值为3-4,Excellent表示评估值为4-5,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,对应的得到五种类别(Poor、bad、fair、good和Excellent)的叶子节点。
较佳的,所述“将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果”具体包括:
将叶子节点的影响因素中的应用指标作为第一输入集,将叶子节点的影响因素中的图像指标作为第二输入集;比如本实施例的两组模糊推理如下:
输入1组(即第一输入集):叶子节点的平均停顿次数、平均停顿时间。
输入2组(即第二输入集):叶子节点的模糊度、块效应。
输出1组:QS1。
输出2组:QS2。
利用单点模糊函数对各所述影响因素进行模糊化处理;即根据如下单点模糊函数μ,对输入的影响因素值进行模糊化处理,当输入的值等于预置的x0时,函数值才为1,否则为0;
将模糊化处理后的各所述影响因素划分成NB(negative big,负大),NM(negativemiddle,负中),ZE(Zero,零),PM(positive middle,正中),PB(positive big,正大)五个等级,并通过锥形隶属函数得到每个输入的影响因素的隶属度值;如图4所示,隶属度值分布,其中横坐标表示输入的影响因素值,纵坐标表示隶属度值(即大致可能的概率)。
将带有隶属度值的第一输入集输入到第一模糊推理自学习控制器进行模糊推理,生成第一推理结果;将带有隶属度值的第二输入集输入第二模糊推理自学习控制器进行模糊推理,生成第二推理结果;所述第一模糊推理自学习控制器以及第二模糊推理自学习控制器均采用Mamdani模糊规则进行模糊推理。
所述Mamdani模糊规则(算法)如下:
Input:x1 is A’,x2 is B’
----------------------------------------------------------
R1:if x1is A1,x2 is B1,then O is C1;
R2:if x1 is A2,x2 is B2,then O is C2;
…
Rn:if x1 is An,x2 is Bn,then O is Cn.
----------------------------------------------------------
Output:O is C’
其中x1和x2分别表示输入的影响因素,A’和B’分别表示输入的影响因素的模糊值,A1...An和B1...Bn均表示模糊输入集,C1...Cn表示模糊输出集,O表示输出值,C’表示模糊输出,R1...Rn表示不同的规则。
本实施例中采用如下公式进行模糊推理:
Ri=(Aiand Bi)→Ci
其中A’,B’分别表示输入的影响因素的模糊值,C’表示模糊输出,R代表Mamdani模糊规则,Ri表示第i条模糊规则,Ai,Bi,Ci分别表示使用到的模糊规则,i表示正整数,n表示规则总数。当推理结束后,再对C’进行清晰化处理,就可以得到每组的推理值,最后对每组的推理值进行加权平均,比如按照应用指标和图像指标的权值分别为0.5和0.5进行计算,则客观值为Score=0.5QS1+0.5QS2,在实际过程中可根据实际需要调整上述权值,以保证结果更为贴近实际情况。
实验验证:
如图5所示,搭建实验系统,该实验系统包括依次连接的Web服务器、高性能交换机、网络模拟器和接收终端。Web服务器端配置了Ubuntu 17.04和Apache2.4.2,用来提供视频片段;高性能交换机通过网络与Web服务器端连接,该高性能交换机用于调节带宽,模拟现实的网络环境;网络模拟器可以仿真不同的丢包率;接收终端安装了Firefox61.0浏览器用于接收视频。鉴于视频网站多用Flash格式的视频,测试选择FLV格式的(FlashVideo)视频文件存在于Web服务器中,接收终端只需要通过浏览器就可以成功建立连接实现视频点播。实验中测试了不同网络环境下的五段视频,视频信息下表1所示:
表1
序号 | 视频名称 | 分辨率 | 平均比特流(Mbps) | 帧率(FPS) |
1 | Rocket | 1280×720 | 1.5 | 33.6 |
2 | Football | 1920×1080 | 4.8 | 59.6 |
3 | Garden | 1920×1080 | 3.5 | 37.5 |
4 | News | 1920×1080 | 3.9 | 40.6 |
5 | Travel | 1920×1080 | 4.3 | 45.7 |
实验过程中,设置带宽在2-6Mbps之间(分别取2Mbps、4Mbps、6Mbps),丢包率在1%-10%之间(分别取1%、3%、5%、7%、10%),每个视频总共进行15次测试。测试过程中,终端浏览器会记录播放日志,可计算出每分钟的缓冲次数、缓冲时间;图像指标通过抓取视频帧,求出每帧图像的模糊度和块效应,再对每帧的值进行平均,得出对应的指标值;
测试指标的同时,还按照ITU-RRec.BT.1788标准安排了30名人员观看视频,给出主观MOS(Mean Opinion Score)值(0-5分制)。最终给出了部分测试视频的主观测试结果:当网络带宽降低,以及丢包率上升时,视频的业务指标值会相应增加,导致用户经常性等待视频缓冲,尤其是缓冲次数过多,用户将无法观看或者观看时间太短;此外视频图像出现模糊度、块效应等现象,导致画质受到损失,导致视频可观赏性下降,严重影响了视频质量,降低了用户体验。
另外,为了验证为了本发明得到的客观值的准确性,本发明还与VSNR(VisualSignal-to-Noise Ratio)、PSNR(Peak-Signal-to-Noise-Ratio)、WSNR(Weighted Signal-to-Noise Ratio)、SSIM(Structural Similarity Index)、MSSIM(Multi-scaleStructural Similarity Index)、VIF(Visual Information Fidelity)等经典客观评估方法作了比较,比较结果如下表2和表3(表2和表3分别给出了各个客观评估方法的斯皮尔曼相关系数和皮尔逊相关系数),从表中数据可看出,本发明好于以往的评估方法,有效地提高了客观评估的准确性。如图6所示,给出了部分视频的主客观值,从结果可以看出,模糊控制评估模型具有较好的主客观线性关系,客观值更贴近主观值,说明本发明相比其他方法,能够得到更为准确的客观值。
表2
表3
综上所述,本发明通过设定4个影响视频质量的主要影响因素包括平均停顿次数以及平均停顿时间、模糊度以及块效应,构建决策树,进行视频质量的快速分类,在选择后续推理规则时可根据叶子节点属性(Poor、bad、fair、good和Excellent)选择对应的规则即可,不用全部轮询,将叶子节点的影响因素分成两组,分别进行模糊推理,通过将应用指标输入第一模糊推理自学习控制器进行模糊推理,生成对应的推理结果;将图像指标输入第二模糊推理自学习控制器进行模糊推理,生成对应的推理结果;再将两个结果进行加权计算得到视频质量评估值,本发明极大的简化了整个评估过程,较大地提升了视频质量评估的准确性以及效率,从而满足现有的日益增长的网络视频业务的需求。
虽然以上描述了本发明的具体实施方式,但是熟悉本技术领域的技术人员应当理解,我们所描述的具体的实施例只是说明性的,而不是用于对本发明的范围的限定,熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化,都应当涵盖在本发明的权利要求所保护的范围内。
Claims (8)
1.一种联合决策树和模糊推理的网络视频质量评估方法,其特征在于:包括:
步骤S10、获取视频质量的影响因素;
步骤S20、构建决策树模型,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,得到不同类别的叶子节点;
步骤S30、根据叶子节点的类别选择对应的推理规则,将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果,计算应用指标推理结果和图像指标推理结果的加权平均值,即为视频质量的客观评估值。
2.如权利要求1所述的联合决策树和模糊推理的网络视频质量评估方法,其特征在于:所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应,其中平均停顿次数和平均停顿时间为应用指标,模糊度和块效应为图像指标。
3.如权利要求1所述的联合决策树和模糊推理的网络视频质量评估方法,其特征在于:所述步骤S20具体包括:
步骤S21、根据输入影响因素样本集以及决策树的劈分准则,构建决策树模型;所述劈分准则公式为:
其中,所述T代表输入的影响因素样本集,Ti代表第i个子样本,sd代表样本标准差,SDR代表样本的劈分点;
步骤S22、对评估值进行分类,将0-5之间的评估值分为五类:Poor表示评估值为0-1,bad表示评估值为1-2,fair表示评估值为2-3,good表示评估值为3-4,Excellent表示评估值为4-5,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,对应的得到五种类别的叶子节点。
4.如权利要求1所述的联合决策树和模糊推理的网络视频质量评估方法,其特征在于:所述“将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果”具体包括:
将叶子节点的影响因素中的应用指标作为第一输入集,将叶子节点的影响因素中的图像指标作为第二输入集;
利用单点模糊函数对各所述影响因素进行模糊化处理;
将模糊化处理后的各所述影响因素划分成NB,NM,ZE,PM,PB五个等级,并通过锥形隶属函数得到每个输入的影响因素的隶属度值;
将带有隶属度值的第一输入集输入到第一模糊推理自学习控制器进行模糊推理,生成第一推理结果;将带有隶属度值的第二输入集输入第二模糊推理自学习控制器进行模糊推理,生成第二推理结果;所述第一模糊推理自学习控制器以及第二模糊推理自学习控制器均采用Mamdani模糊规则进行模糊推理。
5.一种联合决策树和模糊推理的网络视频质量评估系统,其特征在于:包括影响因素获取模块、决策树构建模块和模糊推理模块;
所述影响因素获取模块,用于获取视频质量的影响因素;
所述决策树构建模块,用于构建决策树模型,并根据评估值的分类,构建评估值与决策树模型的叶子节点之间的映射关系,得到不同类别的叶子节点;
所述模糊推理模块,用于根据叶子节点的类别选择对应的推理规则,将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果,计算应用指标推理结果和图像指标推理结果的加权平均值,即为视频质量的客观评估值。
6.如权利要求5所述的联合决策树和模糊推理的网络视频质量评估系统,其特征在于:所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应,其中平均停顿次数和平均停顿时间为应用指标,模糊度和块效应为图像指标。
8.如权利要求5所述的联合决策树和模糊推理的网络视频质量评估系统,其特征在于:所述“将影响因素分为应用指标和图像指标两组,并分别以应用指标和图像指标作为输入进行模糊推理,得到应用指标推理结果和图像指标推理结果”具体包括:
将叶子节点的影响因素中的应用指标作为第一输入集,将叶子节点的影响因素中的图像指标作为第二输入集;
利用单点模糊函数对各所述影响因素进行模糊化处理;
将模糊化处理后的各所述影响因素划分成NB,NM,ZE,PM,PB五个等级,并通过锥形隶属函数得到每个输入的影响因素的隶属度值;
将带有隶属度值的第一输入集输入到第一模糊推理自学习控制器进行模糊推理,生成第一推理结果;将带有隶属度值的第二输入集输入第二模糊推理自学习控制器进行模糊推理,生成第二推理结果;所述第一模糊推理自学习控制器以及第二模糊推理自学习控制器均采用Mamdani模糊规则进行模糊推理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072784.0A CN112235566A (zh) | 2020-10-09 | 2020-10-09 | 联合决策树和模糊推理的网络视频质量评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011072784.0A CN112235566A (zh) | 2020-10-09 | 2020-10-09 | 联合决策树和模糊推理的网络视频质量评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112235566A true CN112235566A (zh) | 2021-01-15 |
Family
ID=74121071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011072784.0A Pending CN112235566A (zh) | 2020-10-09 | 2020-10-09 | 联合决策树和模糊推理的网络视频质量评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112235566A (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539517A (zh) * | 2009-04-27 | 2009-09-23 | 武汉理工大学 | 应用模糊逻辑模型对高光泽度涂层表面进行评价的方法 |
CN103841412A (zh) * | 2014-03-18 | 2014-06-04 | 北京邮电大学 | 一种网络视频用户体验质量测量方法和装置 |
-
2020
- 2020-10-09 CN CN202011072784.0A patent/CN112235566A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101539517A (zh) * | 2009-04-27 | 2009-09-23 | 武汉理工大学 | 应用模糊逻辑模型对高光泽度涂层表面进行评价的方法 |
CN103841412A (zh) * | 2014-03-18 | 2014-06-04 | 北京邮电大学 | 一种网络视频用户体验质量测量方法和装置 |
Non-Patent Citations (1)
Title |
---|
ZHIMING SHI等: "Network video quality assessment method using fuzzy decision tree", 《IET COMMUNICATIONS》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108877839B (zh) | 基于语音语义识别技术的语音质量感知评估的方法及系统 | |
CN109727246B (zh) | 一种基于孪生网络的对比学习图像质量评估方法 | |
CN111563275B (zh) | 一种基于生成对抗网络的数据脱敏方法 | |
Jin et al. | Statistical study on perceived JPEG image quality via MCL-JCI dataset construction and analysis | |
Khan et al. | Content-Based Video Quality Prediction for MPEG4 Video Streaming over Wireless Networks. | |
CN107454446A (zh) | 基于体验质量分析的视频帧管理方法及其装置 | |
CN109831705A (zh) | 一种针对HTTP视频流业务的主观QoE评估方法 | |
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 | |
CN112668476B (zh) | 一种数据处理方法、装置、电子设备及存储介质 | |
CN110912768A (zh) | 多路径传输网络性能的灰色关联与模糊评估方法和系统 | |
CN111817971B (zh) | 一种基于深度学习的数据中心网络流量拼接方法 | |
Wang et al. | A multi-dimensional aesthetic quality assessment model for mobile game images | |
CN113762107A (zh) | 对象状态评估方法、装置、电子设备及可读存储介质 | |
Li et al. | CNN model for screen content image quality assessment based on region difference | |
Tran et al. | An LSTM-based approach for overall quality prediction in HTTP adaptive streaming | |
CN112235566A (zh) | 联合决策树和模糊推理的网络视频质量评估方法及系统 | |
CN109120961B (zh) | 基于PNN-PSO算法的IPTV不平衡数据集的QoE的预测方法 | |
CN111813996B (zh) | 基于单帧和连续多帧抽样并行的视频搜索方法 | |
CN112073716A (zh) | 一种双层模糊推理的视频质量评估方法及系统 | |
CN112329636B (zh) | 联合支持向量机和模糊推理的视频质量评估方法和系统 | |
CN115884195A (zh) | 模型训练方法、无线资源调度方法及其装置及电子设备 | |
Yu et al. | Mobile video perception assessment model based on QoE | |
Hayashi et al. | P2PTV traffic classification and its characteristic analysis using machine learning | |
CN117313004B (zh) | 一种在物联网中基于深度学习的QoS流分类方法 | |
Kimura et al. | Context-aware adaptive bitrate streaming system |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210115 |
|
WD01 | Invention patent application deemed withdrawn after publication |