CN113920115B - 一种视频图像质量测评方法及测评系统 - Google Patents

一种视频图像质量测评方法及测评系统 Download PDF

Info

Publication number
CN113920115B
CN113920115B CN202111513655.5A CN202111513655A CN113920115B CN 113920115 B CN113920115 B CN 113920115B CN 202111513655 A CN202111513655 A CN 202111513655A CN 113920115 B CN113920115 B CN 113920115B
Authority
CN
China
Prior art keywords
image
evaluated
video
quality
evaluation
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
Application number
CN202111513655.5A
Other languages
English (en)
Other versions
CN113920115A (zh
Inventor
袁凌飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongxin Lvjing Technology Co ltd
Original Assignee
Beijing Zhongxin Lvjing Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongxin Lvjing Technology Co ltd filed Critical Beijing Zhongxin Lvjing Technology Co ltd
Priority to CN202111513655.5A priority Critical patent/CN113920115B/zh
Publication of CN113920115A publication Critical patent/CN113920115A/zh
Application granted granted Critical
Publication of CN113920115B publication Critical patent/CN113920115B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出了一种视频图像质量测评方法及测评系统，接收视频采集终端拍摄的动态视频；提取动态视频中的待测评图像，并将每个所述待测评图像分成M*N个相同大小的图像块；计算待测评图像X的图像质量指数，最终利用待测评图像X的图像质量指数
Figure 100004_DEST_PATH_IMAGE001
作为评价视频图像质量的最终参数。发明在不同条件下分别拍摄动态视频后上传动态视频，测评系统分别进行不同条件下的视频图像质量测评，并输出多维度视频测评结果，公正地客观地反映视频图像的质量。

Description

一种视频图像质量测评方法及测评系统
技术领域
本发明涉及视频图像处理技术领域，具体涉及一种视频图像质量测评系统及测评方法。
背景技术
图像和视频是目前多媒体应用系统中两种主要的媒体形式，图像是视频的基本单位，视频是图像在时间域上的连续序列。因此，对图像的研究是视频研究的基础。图像在获取、压缩、存储和传输的过程中会带来数据损失，传统的依靠人工观察的主观方法对图像进行质量评价不但费时费力，而且评价的结果受到评价环境、评价人员工作背景等因素的影响，不能客观反映图像的质量，因此根本无法应用于实际的多媒体系统。图像质量评价的“客观化”趋势变得越来越明显，研究符合人类主观感受的图像客观质量评价方法显得日益重要。
现有技术中，例如专利文献CN113344843A中公开了一种图像质量测评方法、装置和系统，根据待测评图像的图像类型和至少一个图像属性，确定选定的各评判维度的确认权重；将待测评图像与选定的对比图像进行比对，得到待测评图像与对比图像在各评判维度的测评结果；根据各评判维度的测评结果和各评判维度的确认权重，确定所述待测评图像与对比图像的综合测评结果。但是该技术方案的测评准确率和精度仍有待提高。
再例如专利文献CN101605273A中公开了一种色饱和度质量测评的方法和子系统，从待测评视频图像中采集样本图片；对所述样本图片提取饱和度直方图综合指标、饱和度均值标准差综合值、YCbCr色彩空间中的Cb色度分量的均值和Cr色度分量的均值作为色饱和度质量测评的客观指标；将所述提取的客观指标通过进行过有监督的学习训练的分类器进行分类，模拟主观测评得到色饱和度质量类别。但是该技术方案需要大量学习样本数据制作数据模型，大大增加了前期准备工作的工作量。
发明内容
为了解决上述技术问题，本发明提出了一种视频图像质量测评方法，包括：
步骤一，接收多个终端拍摄的动态视频；
步骤二，提取所述动态视频中的待测评图像，并将每个所述待测评图像分成M*N个相同大小的图像块；
步骤三，按照式（1）分别计算每个图像块的局部方差，
Figure DEST_PATH_IMAGE001
（1）；
其中，
Figure 467947DEST_PATH_IMAGE002
，
Figure 100002_DEST_PATH_IMAGE003
表示图像块
Figure 796685DEST_PATH_IMAGE004
内的像素，L是
Figure 708009DEST_PATH_IMAGE004
内的像素总数；
步骤四，选择局部方差数值最大的图像块作为ROI区域，按照式（2）计算待测评图像X的ROI区域与参考图像Y对应的相同区域的局部方差质量指数，
Figure 100002_DEST_PATH_IMAGE005
（2）；
其中，
Figure 879097DEST_PATH_IMAGE006
分别为待测评图像X和参考图像Y的图像局部方差均值，
Figure 100002_DEST_PATH_IMAGE007
分别为待测评图像X和参考图像Y的图像局部方差的标准差，
Figure 760641DEST_PATH_IMAGE008
为待测评图像X和参考图像Y的图像局部方差的协方差；
步骤五、按照式（3）计算待测评图像X的图像质量指数
Figure 100002_DEST_PATH_IMAGE009
，最终利用待测评图像X的图像质量指数
Figure 476924DEST_PATH_IMAGE009
作为评价视频图像质量的最终参数，
Figure 390391DEST_PATH_IMAGE010
（3）；
其中，
Figure 100002_DEST_PATH_IMAGE011
为待测评图像X的每个图像块的视觉感知度，
Figure 850322DEST_PATH_IMAGE012
为待测评图像X的每个图像块的区域相似度。
进一步地，
Figure 535775DEST_PATH_IMAGE006
通过下式计算：
Figure 100002_DEST_PATH_IMAGE013
；
Figure 688539DEST_PATH_IMAGE007
通过下式计算：
Figure 89302DEST_PATH_IMAGE014
；
Figure 556187DEST_PATH_IMAGE008
定义为：
Figure 100002_DEST_PATH_IMAGE015
。
进一步地，利用每个图像块的亮度对比度
Figure 440354DEST_PATH_IMAGE016
、纹理复杂度
Figure 100002_DEST_PATH_IMAGE017
和空间度
Figure 262554DEST_PATH_IMAGE018
三个空间域视觉特征生成待测评图像的每个图像块的视觉感知度
Figure 386499DEST_PATH_IMAGE011
，按照式（4）计算待测评图像X的每个图像块的视觉感知度
Figure 375183DEST_PATH_IMAGE011
,
Figure 100002_DEST_PATH_IMAGE019
(4)。
进一步地，按照下式（5）计算区域相似度
Figure 848278DEST_PATH_IMAGE012
：
Figure 264215DEST_PATH_IMAGE020
（5）；
其中，
Figure 100002_DEST_PATH_IMAGE021
分别表示每个图像块的亮度计算因子、对比度因子和结构相似度因子。
进一步地，在不同条件下分别拍摄动态视频并上传动态视频，分别进行视频图像质量测评，输出多维度视频测评结果。
本发明还提出一种视频图像质量测评系统，用于实现视频图像质量测评方法，包括：多个终端、云端存储器和图像质量处理服务器；
所述多个终端，用于拍摄动态视频，并将拍摄到的动态视频上传到所述云端存储器；
所述云端存储器，包括数据库模块和视频存储模块；所述视频存储模块接收并存储所述多个终端上传的动态视频文件，并将动态视频文件发送给所述图像质量处理服务器，用于对视频图像质量进行评价；所述数据库模块中包括可调用的测试数据库，用于管理测评系统中的测试数据类型、测试类型、测评场景；
所述图像质量处理服务器包括：提取模块、质量测评模块和测评结果输出模块；所述提取模块用于提取视频存储模块中存储的动态视频文件中的待测评图像，将每个待测评图像分成M*N个相同大小的图像块；所述质量测评模块用于对待测评图像进行测评，分别计算每个图像块的局部方差，选择局部方差数值最大的图像块作为ROI区域，计算待测评图像X的图像质量指数；所述测评结果输出模块用于将所述质量测评模块的测评结果输出给多个终端。
进一步地，所述ROI区域的选择通过自动图片标注算法采用深度学习训练神经网络模型实现。
进一步地，所述测试类型分为委托测试、认证测试、鉴定测试；
根据送测数据类型而选择测评场景进行拍摄，所述测评场景包括不同的曝光条件、色彩、清晰度、自动白平衡、动态范围和噪声。
进一步地，在不同测评场景的条件下分别拍摄动态视频后上传动态视频，测评系统分别进行不同条件下的视频图像质量测评，并输出给多个终端，所述多个终端最终显示多维度视频质量测评结果。
进一步地，所述提取模块还包括待测评图像类型的转换、色彩空间的转换、图像视频尺寸的比较及裁剪功能。
与现有技术相比，本发明具有以下有益效果：
利用本发明的视频图像质量测评方法和测评系统可以公正地客观地反映视频图像的质量，进一步通过计算每个图像块的局部方差有效地刻画待测评图像的局部特征，反映待测评图像的结构信息，考虑了由视觉特征显著的ROI区域对视觉感知的影响，利用图像块的亮度对比度、纹理复杂度、空间度三个空间域视觉特征生成待测评图像的每个图像块的视觉感知度，再利用区域相似度，获得图像的客观质量指数，最后得到视频序列的整体客观质量。
附图说明
附图1为本发明的视频图像质量测评方法的流程图。
附图2为本发明的视频图像质量测评系统架构图。
附图3为镜头平整度、色彩、曝光三个条件下的分析数据和和测评雷达图。
附图4为颜色、纹理、噪声、伪像、曝光与对比度、畸变和抖动七个条件下的分析数据和和测评雷达图。
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，以下通过实施例并参照附图对本发明的内容进一步详细说明，但是本发明的实施方式不仅限于此。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
参考图1所示为本发明的视频图像质量测评方法的流程图，测评方法的具体步骤如下：
步骤一，接收多个终端拍摄的动态视频。其中，动态视频包括多个图像序列。
步骤二，提取模块提取动态视频的待测评图像，并将每个待测评图像分成M*N个相同大小的图像块。
步骤三，分别计算每个图像块的局部方差。待测评图像中不同区域或不同内容能够引起不同的关注度，而内容不同的图像对评价模型或测评数据库有影响。因此，通过计算每个图像块的局部方差能够有效地刻画待测评图像的局部特征，局部方差的分布能够反映待测评图像的结构信息。
具体地，每个图像块的局部方差定义为：
Figure 452620DEST_PATH_IMAGE022
（1）；
其中，
Figure 979416DEST_PATH_IMAGE002
，
Figure 240107DEST_PATH_IMAGE003
表示图像块
Figure 577679DEST_PATH_IMAGE004
内的像素，L是
Figure 659904DEST_PATH_IMAGE004
内的像素总数。
步骤四，选择局部方差数值最大的图像块作为ROI区域，计算待测评图像X该ROI区域与参考图像Y对应的相同区域的局部方差质量指数
Figure 100002_DEST_PATH_IMAGE023
。
具体地，
Figure 318288DEST_PATH_IMAGE023
定义为：
Figure 903990DEST_PATH_IMAGE005
（2）；
其中，
Figure 179507DEST_PATH_IMAGE006
分别为待测评图像X和参考图像Y的图像局部方差均值，
Figure 234181DEST_PATH_IMAGE024
通过下式计算：
Figure DEST_PATH_IMAGE025
；
其中，
Figure 945523DEST_PATH_IMAGE007
分别为待测评图像X和参考图像Y的图像局部方差的标准差，
Figure 667623DEST_PATH_IMAGE007
通过下式计算：
Figure 596264DEST_PATH_IMAGE014
；
其中，
Figure 170859DEST_PATH_IMAGE008
为待测评图像X和参考图像Y的图像局部方差的协方差，
Figure 328302DEST_PATH_IMAGE008
定义为：
Figure 669022DEST_PATH_IMAGE015
；
步骤五、计算待测评图像X的图像质量指数
Figure 502986DEST_PATH_IMAGE026
。
具体地，
Figure 63411DEST_PATH_IMAGE026
定义为；
Figure DEST_PATH_IMAGE027
；
其中，
Figure 119485DEST_PATH_IMAGE011
为待测评图像X的每个图像块的视觉感知度，
Figure 550598DEST_PATH_IMAGE028
（4）；
其中，利用每个图像块的亮度对比度
Figure 335889DEST_PATH_IMAGE016
、纹理复杂度
Figure 101720DEST_PATH_IMAGE017
和空间度
Figure 600965DEST_PATH_IMAGE018
三个空间域视觉特征生成待测评图像的每个图像块的视觉感知度
Figure 907489DEST_PATH_IMAGE011
，其中亮度对比度
Figure DEST_PATH_IMAGE029
用于反映待测评图像亮度对比度，纹理复杂度
Figure 693042DEST_PATH_IMAGE030
用于反映待测评图像的纹理复杂区域的掩盖度，空间度
Figure DEST_PATH_IMAGE031
则是用于反映待测评图像的中央凹感知度。
Figure 523333DEST_PATH_IMAGE012
为待测评图像X的每个图像块的区域相似度，
Figure 91848DEST_PATH_IMAGE012
通过下式计算：
Figure 264597DEST_PATH_IMAGE032
（5）；
其中，
Figure DEST_PATH_IMAGE033
分别表示每个图像块的亮度计算因子、对比度因子和结构相似度因子。
最终利用待测评图像X的图像质量指数
Figure 955473DEST_PATH_IMAGE034
作为评价视频图像质量的最终参数。
在优选实施例中，为了更多维度的评价视频图像质量，可分别在以下几个维度下，根据需要分别进行分析：例如，曝光分析；色彩和噪声分析；清晰度分析和畸变分析等，这些维度测试项需要操作员在对应的环境下拍照后，分别上传视频进行视频图像质量分析。如图3和4所示，为本发明的视频图像质量测评系统在不同维度下输出的视频测评雷达图及对应的评分。
本发明还同时提出了能够实现上述测评方法的视频图像质量测评系统，测评系统采用B/S架构实现，操作员通过个人电脑上的浏览器访问测评系统，通过接收多个终端拍摄的动态视频，提取动态视频的待测评图像，上传待测评图像，进行图像质量测评。
视频图像质量测评系统架构如图2所示，视频图像质量测评系统包括多个终端、云端存储器和图像质量处理服务器。
多个终端，如图中的终端1、终端2、终端3等，用于拍摄动态视频，并将拍摄到的动态视频上传到云端存储器。
云端存储器，包括数据库模块和视频存储模块。视频存储模块接收并存储多个终端上传的动态视频文件，并将动态视频文件发送给图像质量处理服务器，用于对视频图像质量进行评价；数据库模块中包括可调用的测试数据库，主要是用来管理系统中测试数据类型、测试类型、测评场景。
测试类型：分为委托测试、认证测试、鉴定测试。
测试数据类型用于根据送测数据类型而选择测评场景，系统预置一部分测试数据类型，比如视频文件、手机、行车记录仪等，可以根据送测数据类型的变化而动态调节测评场景。
测评场景：主要为客观测评场景，按照送测数据类型的使用场景进行拍摄，包括不同的曝光条件、色彩、清晰度、自动白平衡、动态范围、噪声等。
图像质量处理服务器包括：提取模块、质量测评模块和测评结果输出模块。
提取模块：提取视频存储模块中存储的动态视频文件中的待测评图像，将每个待测评图像分成M*N个相同大小的图像块，还包括待测评图像类型的转换、色彩空间的转换、图像视频尺寸的比较及裁剪等功能。
质量测评模块:用于对待测评图像执行测评步骤，包括：分别计算每个图像块的局部方差，选择局部方差数值最大的图像块作为ROI区域，计算待测评图像X的图像质量指数。
在优选实施例中，ROI区域的选择可以通过自动图片标注算法采用深度学习训练神经网络模型实现，可以实现自动识别图片中ROI区域，简化操作流程。
测评结果输出模块:用于将质量测评模块的测评结果输出给多个终端，多个终端会显示每个条件下的分析数据和和测评雷达图，点击下载按键，整个报告会以pdf格式下载到本地。如图3所示，为镜头平整度、色彩、曝光三个条件下的分析数据和和测评雷达图；如图4所示，为颜色、纹理、噪声、伪像、曝光与对比度、畸变和抖动七个条件下的分析数据和和测评雷达图。
此外，本视频图像质量测评系统还设置了用户管理模块，具体地，用户分为管理员和操作员两类，管理员可以添加、删除、修改用户信息；操作员可以进行客户信息管理、设备信息管理、测试场次信息管理、图像质量测评等操作。
其中，客户信息管理可以查看客户列表，并对客户进行添加、修改、删除等操作；在客户信息页面，可以查看：客户基本信息，包括：送测单位公司名称、公司地址、联系人、联系方式以及该客户的视频列表，每个客户可能有多个送测视频。可以对视频进行添加、删除、修改等操作；在视频信息页面，可以查看：视频基本信息，视频基本信息包含：视频名称、视频类型、测评场次记录。
在优选的实施例中，对于测评场次记录，一个视频可能需要进行多次评测；在测评场次记录中，可以添加、修改、删除测评场次信息。
在测评场次信息页面，可以查看：测评场次记录基本信息、测评结果记录；测评场次记录基本信息包含：送测硬件版本、送测软件版本、送测日期、送测概要信息等；测评结果记录列出用于视频质量测评的摄像头的视频测评未开始时，各项视频质量测评的记录为空；操作员可以进入视频质量测评的各维度项进行测评；如果已经测评过，需要重新测的，可以重新上传视频或视频关键帧进行测评。
此外，在本说明书的描述中，参考术语“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必须针对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一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (6)

1.一种视频图像质量测评方法，其特征在于，包括：
步骤一，接收多个终端拍摄的动态视频；
步骤二，提取所述动态视频中的待测评图像，并将每个所述待测评图像分成M*N个相同大小的图像块；
步骤三，按照式（1）分别计算每个图像块的局部方差，
Figure 679863DEST_PATH_IMAGE001
（1）；
其中，
Figure 991322DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE003
表示图像块
Figure 698378DEST_PATH_IMAGE004
内的像素，L是
Figure 62363DEST_PATH_IMAGE004
内的像素总数；
步骤四，选择局部方差数值最大的图像块作为ROI区域，按照式（2）计算待测评图像X的ROI区域与参考图像Y对应的相同区域的局部方差质量指数，
Figure DEST_PATH_IMAGE005
（2）；
其中，
Figure 704828DEST_PATH_IMAGE006
分别为待测评图像X和参考图像Y的图像局部方差均值，
Figure DEST_PATH_IMAGE007
分别为待测评图像X和参考图像Y的图像局部方差的标准差，
Figure 888685DEST_PATH_IMAGE008
为待测评图像X和参考图像Y的图像局部方差的协方差；
步骤五、按照式（3）计算待测评图像X的图像质量指数
Figure DEST_PATH_IMAGE009
，最终利用待测评图像X的图像质量指数
Figure 930590DEST_PATH_IMAGE009
作为评价视频图像质量的最终参数，
Figure 24448DEST_PATH_IMAGE010
（3）；
其中，
Figure DEST_PATH_IMAGE011
为待测评图像X的每个图像块的视觉感知度，
Figure 631623DEST_PATH_IMAGE012
为待测评图像X的每个图像块的区域相似度。
2.根据权利要求1所述的视频图像质量测评方法，其特征在于，
Figure DEST_PATH_IMAGE013
通过下式计算：
Figure 646983DEST_PATH_IMAGE014
；
Figure 148372DEST_PATH_IMAGE007
通过下式计算：
Figure DEST_PATH_IMAGE015
；
Figure 440944DEST_PATH_IMAGE008
定义为：
Figure 736796DEST_PATH_IMAGE016
。
3.根据权利要求1所述的视频图像质量测评方法，其特征在于，利用每个图像块的亮度对比度
Figure DEST_PATH_IMAGE017
、纹理复杂度
Figure 380398DEST_PATH_IMAGE018
和空间度
Figure DEST_PATH_IMAGE019
三个空间域视觉特征生成待测评图像的每个图像块的视觉感知度
Figure 495597DEST_PATH_IMAGE011
，按照式（4）计算待测评图像X的每个图像块的视觉感知度
Figure 891943DEST_PATH_IMAGE011
,
Figure 109429DEST_PATH_IMAGE020
(4)。
4.根据权利要求1所述的视频图像质量测评方法，其特征在于，按照下式（5）计算区域相似度
Figure 161699DEST_PATH_IMAGE012
：
Figure DEST_PATH_IMAGE021
（5）；
其中，
Figure 817939DEST_PATH_IMAGE022
分别表示每个图像块的亮度计算因子、对比度因子和结构相似度因子。
5.根据权利要求1所述的视频图像质量测评方法，其特征在于，在不同条件下分别拍摄动态视频并上传动态视频，分别进行视频图像质量测评，输出多维度视频测评结果。
6.一种视频图像质量测评系统，用于实现权利要求1所述的视频图像质量测评方法，其特征在于，包括：多个终端、云端存储器和图像质量处理服务器；
所述多个终端，用于拍摄动态视频，并将拍摄到的动态视频上传到所述云端存储器；
所述云端存储器，包括数据库模块和视频存储模块；所述视频存储模块接收并存储所述多个终端上传的动态视频文件，并将动态视频文件发送给所述图像质量处理服务器，用于对视频图像质量进行评价；所述数据库模块中包括可调用的测试数据库，用于管理测评系统中的测试数据类型、测试类型、测评场景；
所述图像质量处理服务器包括：提取模块、质量测评模块和测评结果输出模块；所述提取模块用于提取视频存储模块中存储的动态视频文件中的待测评图像，将每个待测评图像分成M*N个相同大小的图像块；
所述质量测评模块用于对待测评图像进行测评，包括：
按照式（1）分别计算每个图像块的局部方差，
Figure 865530DEST_PATH_IMAGE001
（1）；
其中，
Figure 644130DEST_PATH_IMAGE002
，
Figure 793483DEST_PATH_IMAGE003
表示图像块
Figure 174785DEST_PATH_IMAGE004
内的像素，L是
Figure 90264DEST_PATH_IMAGE004
内的像素总数；
选择局部方差数值最大的图像块作为ROI区域，按照式（2）计算待测评图像X的ROI区域与参考图像Y对应的相同区域的局部方差质量指数，
Figure 774186DEST_PATH_IMAGE005
（2）；
其中，
Figure 660103DEST_PATH_IMAGE006
分别为待测评图像X和参考图像Y的图像局部方差均值，
Figure 595829DEST_PATH_IMAGE007
分别为待测评图像X和参考图像Y的图像局部方差的标准差，
Figure 352432DEST_PATH_IMAGE008
为待测评图像X和参考图像Y的图像局部方差的协方差；
按照式（3）计算待测评图像X的图像质量指数
Figure DEST_PATH_IMAGE023
，最终利用待测评图像X的图像质量指数
Figure 285884DEST_PATH_IMAGE023
作为评价视频图像质量的最终参数，
Figure 659097DEST_PATH_IMAGE010
（3）；
其中，
Figure 132935DEST_PATH_IMAGE011
为待测评图像X的每个图像块的视觉感知度，
Figure 744045DEST_PATH_IMAGE012
为待测评图像X的每个图像块的区域相似度；
所述测评结果输出模块用于将所述质量测评模块的测评结果输出给多个终端。
CN202111513655.5A 2021-12-13 2021-12-13 一种视频图像质量测评方法及测评系统 Active CN113920115B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111513655.5A CN113920115B (zh) 2021-12-13 2021-12-13 一种视频图像质量测评方法及测评系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111513655.5A CN113920115B (zh) 2021-12-13 2021-12-13 一种视频图像质量测评方法及测评系统

Publications (2)

Publication Number Publication Date
CN113920115A CN113920115A (zh) 2022-01-11
CN113920115B true CN113920115B (zh) 2022-03-04

Family

ID=79248552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111513655.5A Active CN113920115B (zh) 2021-12-13 2021-12-13 一种视频图像质量测评方法及测评系统

Country Status (1)

Country Link
CN (1) CN113920115B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09288736A (ja) * 1996-04-22 1997-11-04 Nachi Fujikoshi Corp 画質測定方法
CN101996406A (zh) * 2010-11-03 2011-03-30 中国科学院光电技术研究所 无参考结构清晰度图像质量评价方法
CN103049893A (zh) * 2011-10-14 2013-04-17 深圳信息职业技术学院 一种图像融合质量评价的方法及装置
CN103544708A (zh) * 2013-10-31 2014-01-29 南京邮电大学 一种基于mmtd的图像质量客观评价方法
CN104899893A (zh) * 2015-07-01 2015-09-09 电子科技大学 基于视觉注意力的图像质量检测方法
CN104994375A (zh) * 2015-07-08 2015-10-21 天津大学 一种基于立体视觉显著性的立体图像质量客观评价方法
CN109905694A (zh) * 2017-12-08 2019-06-18 中移（杭州）信息技术有限公司 一种立体视频的质量评价方法、装置和设备
CN111641822A (zh) * 2020-05-06 2020-09-08 宁波大学 一种重定位立体图像质量评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6869969B2 (ja) * 2015-09-21 2021-05-12 ドルビー ラボラトリーズ ライセンシング コーポレイション イメージングデバイスおよびイメージングデバイスのディスプレイパネルの正面に光を生成するための方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09288736A (ja) * 1996-04-22 1997-11-04 Nachi Fujikoshi Corp 画質測定方法
CN101996406A (zh) * 2010-11-03 2011-03-30 中国科学院光电技术研究所 无参考结构清晰度图像质量评价方法
CN103049893A (zh) * 2011-10-14 2013-04-17 深圳信息职业技术学院 一种图像融合质量评价的方法及装置
CN103544708A (zh) * 2013-10-31 2014-01-29 南京邮电大学 一种基于mmtd的图像质量客观评价方法
CN104899893A (zh) * 2015-07-01 2015-09-09 电子科技大学 基于视觉注意力的图像质量检测方法
CN104994375A (zh) * 2015-07-08 2015-10-21 天津大学 一种基于立体视觉显著性的立体图像质量客观评价方法
CN109905694A (zh) * 2017-12-08 2019-06-18 中移（杭州）信息技术有限公司 一种立体视频的质量评价方法、装置和设备
CN111641822A (zh) * 2020-05-06 2020-09-08 宁波大学 一种重定位立体图像质量评价方法

Also Published As

Publication number Publication date
CN113920115A (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
Liu et al. Point cloud quality assessment: Dataset construction and learning-based no-reference metric
Madhusudana et al. Subjective and objective quality assessment of stitched images for virtual reality
US7545985B2 (en) Method and system for learning-based quality assessment of images
KR101346730B1 (ko) 화상 처리 시스템, 화상 처리 장치 및 방법, 프로그램, 및기록 매체
Ciancio et al. No-reference blur assessment of digital pictures based on multifeature classifiers
US7653249B2 (en) Variance-based event clustering for automatically classifying images
Bellavia et al. Dissecting and reassembling color correction algorithms for image stitching
US9305208B2 (en) System and method for recognizing offensive images
KR20070079330A (ko) 표시 제어장치 및 방법, 컴퓨터 프로그램, 및 기록 매체
El Khoury et al. Color and sharpness assessment of single image dehazing
CN111886859B (zh) 颜色对应信息生成系统及方法、计算机可读取的记录介质
US20220222858A1 (en) Systems and methods for hue based encoding of a digital image
CN108765405A (zh) 一种影像鉴真方法和系统
CN105894507B (zh) 基于图像信息量自然场景统计特征的图像质量评价方法
CN114511820A (zh) 货架商品检测方法、装置、计算机设备及存储介质
JP2021189527A (ja) 情報処理装置、情報処理方法及びプログラム
CN110110110A (zh) 一种以图搜图方法、装置、电子设备及存储介质
Hassan et al. Color-based structural similarity image quality assessment
Ciocca et al. How to assess image quality within a workflow chain: an overview
Chen et al. Focus manipulation detection via photometric histogram analysis
CN113920115B (zh) 一种视频图像质量测评方法及测评系统
Triantaphillidou et al. Image quality comparison between JPEG and JPEG2000. II. Scene dependency, scene analysis, and classification
Barai et al. Human visual system inspired saliency guided edge preserving tone-mapping for high dynamic range imaging
US20040012576A1 (en) Digital image display method and system
CN116980549A (zh) 视频帧处理方法、装置、计算机设备和存储介质

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