CN117793339A - 基于人工智能的视频质量诊断系统 - Google Patents
基于人工智能的视频质量诊断系统 Download PDFInfo
- Publication number
- CN117793339A CN117793339A CN202311840843.8A CN202311840843A CN117793339A CN 117793339 A CN117793339 A CN 117793339A CN 202311840843 A CN202311840843 A CN 202311840843A CN 117793339 A CN117793339 A CN 117793339A
- Authority
- CN
- China
- Prior art keywords
- quality evaluation
- video
- quality
- unit
- frame
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 40
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 19
- 238000013441 quality evaluation Methods 0.000 claims abstract description 116
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 69
- 230000002159 abnormal effect Effects 0.000 claims abstract description 62
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 238000004891 communication Methods 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 25
- 102100037812 Medium-wave-sensitive opsin 1 Human genes 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 14
- 238000013210 evaluation model Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000005236 sound signal Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 6
- 230000006835 compression Effects 0.000 abstract description 3
- 238000007906 compression Methods 0.000 abstract description 3
- 230000001953 sensory effect Effects 0.000 abstract description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000000034 method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
Abstract
本发明公开了基于人工智能的视频质量诊断系统,通过图像质量评价模块、音频质量评价模块、视频流质量评价模块和视频质量诊断模块,结合图像、音频与视频流质量综合诊断视频质量,提高视频质量诊断的准确率和全面性;图像质量判断结合HSV属性、梯度识别异常帧,验证水影现象,从而检测是否缺少关键信息,提高异常帧检测和水影现象识别的准确率,提高图像质量诊断的准确率;音频质量判断中,结合波形的锐利度、平滑度和起伏程度等特征,检测音频是否失真或截断,提高了异常音频检测的准确率;视频流质量判断中,通过丢帧现象以及视频的连续性评价视频流质量,考虑到视频压缩时的异常情况和人的感官感受,使评价结果更具针对性,符合人眼的视觉感受。
Description
技术领域
本发明涉及视频质量诊断领域,尤其是基于人工智能的视频质量诊断系统。
背景技术
现有技术中,针对视频质量,一般从图像信息丰富程度以及色彩等角度来衡量。
公开号为CN109151463A的现有技术公开了一种视频质量诊断系统及视频质量分析方法,对视频图像进行模糊检测、遮挡检测、偏色检测、噪声检测以及偏暗及偏亮检测,并于检测异常时产生相应的报警信息至视频巡检服务器。这种方法的缺点是缺少对视频流和音频质量的评价,无法对视频质量进行全面诊断,且图像质量评价计算复杂、没有对关键信息缺少的检测。
发明内容
本发明为了解决上述存在的视频质量诊断缺少对视频流和音频质量的评价以及没有对关键信息缺少的检测的技术问题,提供基于人工智能的视频质量诊断系统。
本发明的技术方案是这样实现的:
基于人工智能的视频质量诊断系统,包括图像质量评价模块、音频质量评价模块、视频流质量评价模块和视频质量诊断模块,所述图像质量评价模块的输出端与视频质量诊断模块的输入端通讯连接,所述音频质量评价模块的输出端与视频质量诊断模块的输入端通讯连接,所述视频流质量评价模块的输出端与视频质量诊断模块的输入端通讯连接;
所述图像质量评价模块用于对视频解码图像序列进行图像质量评价,得到图像质量评价结果;
所述音频质量评价模块用于对音频信号系列进行音频质量评价,得到音频质量评价结果;
所述视频流质量评价模块用于对视频编码图像序列进行视频质量评价,得到视频质量评价结果;
所述视频质量诊断模块用于根据图像质量评价结果、音频质量评价结果、视频流质量评价结果得到整体视频质量诊断结果。
作为优选,所述图像质量评价模块包括异常帧提取单元、水影检测单元、水影验证单元和第一质量评价单元,所述异常帧提取单元的输出端与水影检测单元的输入端通讯连接,所述异常帧提取单元的输出端与第一质量评价单元的输入端通讯连接,所述水影检测单元的输出端与水影验证单元的输入端通讯连接,所述水影检测单元的输出端与第一质量评价单元的输入端通讯连接,所述水影验证单元的输出端与第一质量评价单元的输入端通讯连接;
所述异常帧提取单元用于根据异常帧评价模型对视频解码图像进行异常度量,并判断是否为异常帧;
所述水影检测单元用于对非异常帧图像进行分割,分割出正常像素区域与水影像素区域;
所述水影验证单元用于根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值,验证非异常帧图像是否存在水影现象;
所述第一质量评价单元用于根据异常度量、异常帧数、存在水影现象的帧数评价图像质量。
作为优选,所述音频质量评价模块包括声波提取单元、时域波形分析单元、第二质量评价单元,所述声波提取单元的输出端与时域波形分析单元的输入端通讯连接,所述声波提取单元的输出端与第二质量评价单元的输入端通讯连接,所述时域波形分析单元的输出端与第二质量评价单元的输入端通讯连接;
所述声波提取单元用于获取连续的模拟信号,将其离散化,进行去噪和滤波处理,将所得数据按照时间顺序排列,绘制成时域波形图;
所述时域波形分析单元用于根据时域波形图中波形的锐利度、平滑度和起伏程度特征来判断信号中是否存在失真,根据时域波形图上波峰或波谷是否被截断来判断信号中是否存在截断;
所述第二质量评价单元用于根据时域波形图中波形的锐利度、平滑度、起伏程度、波谷是否被截断评价音频质量。
作为优选,所述视频流质量评价模块包括连续性分析单元、丢帧判断单元和第三质量评价单元,所述连续性分析单元的输出端与丢帧判断单元的输入端通讯连接,所述连续性分析单元的输出端与第三质量评价单元的输入端通讯连接,所述丢帧判断单元的输出端与第三质量评价单元的输入端通讯连接;
所述连续性分析单元用于根据视频编码图像序列中P帧的差异像素确定P帧ROI,合并同一GOP中P帧ROI得到ROI集合,针对ROI集合内每一个ROI,统计位于ROI内的相邻两P帧差异像素个数,若像素个数大于第一阈值,则判定在该ROI内连续性差;
所述丢帧判断单元用于根据GOP长度与相邻两I帧之间的帧数,判断是否存在丢帧以及丢帧类别;
所述第三质量评价单元用于根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量。
作为优选,所述异常帧评价模型为:
ε=α*MV+β*MS+γ*MH+δ*MG,
其中,ε为异常度量,MV为明度评分,α为明度评分的权重系数,MS为饱和度评分,β为饱和度评分的权重系数,MH为色调评分,γ为色调评分的权重系数,MG为梯度评分,δ为梯度评分的权重系数,α+β+γ+δ=1。
作为优选,所述根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值,验证非异常帧图像是否存在水影现象具体为:
计算水影像素区域与正常像素区域色调均值之差的绝对值,记为第一绝对值;
计算水影像素区域与正常像素区域饱和度均值之差的绝对值,记为第二绝对值;
若第一绝对值大于第二阈值,第二绝对值大于第三阈值,则判断该帧图像存在水影现象。
作为优选,所述根据时域波形图上波峰或波谷是否被截断来判断信号中是否存在截断包括:对于纯音信号,若在正向和负向达到最大值时出现斜面,则说明信号已经被截断。
作为优选,所述根据视频编码图像序列中P帧的差异像素确定P帧ROI包括:
对视频编码图像序列中P帧的差异像素进行连通域分析,筛选掉较小的连通域,得到P帧ROI。
作为优选,所述异常帧评价模型中,α=0.4,β=0.3,γ=0.1,δ=0.2。
与现有技术相比,本发明的有益效果是:
本发明提供一种基于人工智能的视频质量诊断系统,通过图像质量评价模块、音频质量评价模块、视频流质量评价模块和视频质量诊断模块,结合图像质量、音频质量与视频流质量综合诊断视频质量,提高了视频质量诊断的准确率和全面性;图像质量判断中,结合HSV属性、梯度识别异常帧,并进一步验证水影现象,从而检测是否缺少关键信息,提高了异常帧检测的准确率,提高了水影现象识别的准确率,并进一步提高了图像质量诊断的准确率;音频质量判断中,结合时域波形图中波形的锐利度、平滑度和起伏程度特征,波峰或波谷是否被截断,从而检测音频是否失真或被截断,提高了异常音频检测的准确率;视频流质量判断中,通过丢帧现象以及视频的连续性评价视频流质量,考虑到视频压缩时的异常情况和人的感官感受,使评价结果更具针对性,符合人眼的视觉感受。
附图说明
图1是本发明基于人工智能的视频质量诊断系统的框架图。
1-图像质量评价模块;11-异常帧提取单元;12-水影检测单元;13-水影验证单元;14-第一质量评价单元;2-音频质量评价模块;21-声波提取单元;22-时域波形分析单元;23-第二质量评价单元;3-视频流质量评价模块;31-连续性分析单元;32-丢帧判断单元;33-第三质量评价单元;4-视频质量诊断模块。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置的例子。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,基于人工智能的视频质量诊断系统,包括图像质量评价模块1、音频质量评价模块2、视频流质量评价模块3和视频质量诊断模块4,所述图像质量评价模块1的输出端与视频质量诊断模块4的输入端通讯连接,所述音频质量评价模块2的输出端与视频质量诊断模块4的输入端通讯连接,所述视频流质量评价模块3的输出端与视频质量诊断模块4的输入端通讯连接。
所述图像质量评价模块1用于对视频解码图像序列进行图像质量评价,得到图像质量评价结果;视频解码图像序列为通过编码原理恢复得到的多帧图像。
所述音频质量评价模块2用于对音频信号系列进行音频质量评价,得到音频质量评价结果。
所述视频流质量评价模块3用于对视频编码图像序列进行视频质量评价,得到视频质量评价结果。视频编码图像序列为连续多帧未经视频编码原理恢复的图像,也即视频中的I帧、P帧、B帧。
所述视频质量诊断模块4用于根据图像质量评价结果、音频质量评价结果、视频流质量评价结果得到整体视频质量诊断结果。
进一步地,所述图像质量评价模块1包括异常帧提取单元11、水影检测单元12、水影验证单元13和第一质量评价单元14,所述异常帧提取单元11的输出端与水影检测单元12的输入端通讯连接,所述异常帧提取单元11的输出端与第一质量评价单元14的输入端通讯连接,所述水影检测单元12的输出端与水影验证单元13的输入端通讯连接,所述水影检测单元12的输出端与第一质量评价单元14的输入端通讯连接,所述水影验证单元13的输出端与第一质量评价单元14的输入端通讯连接。
所述异常帧提取单元11用于根据异常帧评价模型对视频解码图像进行异常度量,并判断是否为异常帧;该单元的输入为单帧视频解码图像,通过HSV色彩空间转换,得到色调信息,饱和度信息,以及明度信息,通过拉普拉斯梯度算子求图像各像素点梯度值,并以各像素点梯度之和作为异常帧评价模型的梯度评分参数。
采用HSV色彩空间的通道分量作为参数的原因在于,HSV色彩空间相对于RGB更加符合人眼视觉感受,采用梯度作为参数的原因在于能够一定程度上表示出对比度,上述参数均是基于人眼视觉感受所确定。
所述水影检测单元12用于对非异常帧图像进行分割,分割出正常像素区域与水影像素区域。本实施例中利用语义分割网络对非异常帧图像进行像素级分类,输出语义分割图,语义分割图中包括两类像素,正常像素和水影像素。
整体视频质量诊断中,关键信息的丢失对视频质量的影响很大。水影现象为因编码误差导致视频流中图像恢复后出现透明水影块的图像,一般是缺少关键帧信息造成,该类图像中水影块所占图像比例较小,因此难以通过异常帧评价模型将其判别为异常帧,在本发明中通过水影检测单元12进行水影情况的检测。为避免后续进行水影情况检测时出现误检情况,将异常帧从连续图像序列中筛选出来,保留不存在明显异常的图像进行后续的处理。
所述水影验证单元13用于根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值,验证非异常帧图像是否存在水影现象。
所述第一质量评价单元14用于根据异常度量、异常帧数、存在水影现象的帧数评价图像质量。
进一步地,所述音频质量评价模块2包括声波提取单元21、时域波形分析单元22、第二质量评价单元23,所述声波提取单元21的输出端与时域波形分析单元22的输入端通讯连接,所述声波提取单元21的输出端与第二质量评价单元23的输入端通讯连接,所述时域波形分析单元22的输出端与第二质量评价单元23的输入端通讯连接。
所述声波提取单元21用于获取连续的模拟信号,将其离散化,进行去噪和滤波处理,将所得数据按照时间顺序排列,绘制成时域波形图。
所述时域波形分析单元22用于根据时域波形图中波形的锐利度、平滑度和起伏程度特征来判断信号中是否存在失真,根据时域波形图上波峰或波谷是否被截断来判断信号中是否存在截断。
所述第二质量评价单元23用于根据时域波形图中波形的锐利度、平滑度、起伏程度、波谷是否被截断评价音频质量。
进一步地,所述视频流质量评价模块3包括连续性分析单元31、丢帧判断单元32和第三质量评价单元33,所述连续性分析单元31的输出端与丢帧判断单元32的输入端通讯连接,所述连续性分析单元31的输出端与第三质量评价单元33的输入端通讯连接,所述丢帧判断单元32的输出端与第三质量评价单元33的输入端通讯连接。
所述连续性分析单元31用于根据视频编码图像序列中P帧的差异像素确定P帧ROI,合并同一GOP中P帧ROI得到ROI集合,针对ROI集合内每一个ROI,统计位于ROI内的相邻两P帧差异像素个数,若像素个数大于第一阈值,则判定在该ROI内连续性差。
所述丢帧判断单元32用于根据GOP长度与相邻两I帧之间的帧数,判断是否存在丢帧以及丢帧类别;具体地,根据编码信息可以获得单帧图像的类别,类别包括I帧、B帧、P帧,根据先验视频信息得到画面组GOP的长度,通过相邻两I帧之间的帧数与GOP长度对比,若帧数加一小于GOP长度,则判断为存在丢帧现象,再通过编码信息获得所丢帧的类别,以用于后续视频质量的评价。
所述第三质量评价单元33用于根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量。
进一步地,所述异常帧评价模型为:
ε=α*MV+β*MS+γ*MH+δ*MG,
其中,ε为异常度量,MV为明度评分,α为明度评分的权重系数,MS为饱和度评分,β为饱和度评分的权重系数,MH为色调评分,γ为色调评分的权重系数,MG为梯度评分,δ为梯度评分的权重系数,α+β+γ+δ=1。
优选地,α=0.4,β=0.3,γ=0.1,δ=0.2。
设置经验阈值m,当ε<m时,判断图像为异常帧。
优选地,m设置为0.5,可根据实际情况调整阈值m。
进一步地,所述根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值,验证非异常帧图像是否存在水影现象具体为:
计算水影像素区域与正常像素区域色调均值之差的绝对值,记为第一绝对值;
计算水影像素区域与正常像素区域饱和度均值之差的绝对值,记为第二绝对值;
若第一绝对值大于第二阈值,第二绝对值大于第三阈值,则判断该帧图像存在水影现象。
进一步地,所述根据时域波形图上波峰或波谷是否被截断来判断信号中是否存在截断包括:对于纯音信号,若在正向和负向达到最大值时出现斜面,则说明信号已经被截断。
进一步地,所述根据视频编码图像序列中P帧的差异像素确定P帧ROI包括:
对视频编码图像序列中P帧的差异像素进行连通域分析,筛选掉较小的连通域,得到P帧ROI。
本实施例提供一种基于人工智能的视频质量诊断系统,通过图像质量评价模块1、音频质量评价模块2、视频流质量评价模块3和视频质量诊断模块4,结合图像质量、音频质量与视频流质量综合诊断视频质量,提高了视频质量诊断的准确率和全面性;图像质量判断中,结合HSV属性、梯度识别异常帧,并进一步验证水影现象,从而检测是否缺少关键信息,提高了异常帧检测的准确率,提高了水影现象识别的准确率,并进一步提高了图像质量诊断的准确率;音频质量判断中,结合时域波形图中波形的锐利度、平滑度和起伏程度特征,波峰或波谷是否被截断,从而检测音频是否失真或被截断,提高了异常音频检测的准确率;视频流质量判断中,通过丢帧现象以及视频的连续性评价视频流质量,考虑到视频压缩时的异常情况和人的感官感受,使评价结果更具针对性,符合人眼的视觉感受。
前述的实例仅是说明性的,用于解释本发明所述方法的一些特征。所附的权利要求旨在要求可以设想的尽可能广的范围,且本文所呈现的实施例仅是根据所有可能的实施例的组合的选择的实施方式的说明。因此,申请人的用意是所附的权利要求不被说明本发明的特征的示例的选择限制。在权利要求中所用的一些数值范围也包括了在其之内的子范围,这些范围中的变化也应在可能的情况下解释为被所附的权利要求覆盖。
Claims (9)
1.基于人工智能的视频质量诊断系统,其特征在于:包括图像质量评价模块(1)、音频质量评价模块(2)、视频流质量评价模块(3)和视频质量诊断模块(4),所述图像质量评价模块(1)的输出端与视频质量诊断模块(4)的输入端通讯连接,所述音频质量评价模块(2)的输出端与视频质量诊断模块(4)的输入端通讯连接,所述视频流质量评价模块(3)的输出端与视频质量诊断模块(4)的输入端通讯连接;
所述图像质量评价模块(1)用于对视频解码图像序列进行图像质量评价,得到图像质量评价结果;
所述音频质量评价模块(2)用于对音频信号系列进行音频质量评价,得到音频质量评价结果;
所述视频流质量评价模块(3)用于对视频编码图像序列进行视频质量评价,得到视频质量评价结果;
所述视频质量诊断模块(4)用于根据图像质量评价结果、音频质量评价结果、视频流质量评价结果得到整体视频质量诊断结果。
2.根据权利要求1所述的基于人工智能的视频质量诊断系统,其特征在于:所述图像质量评价模块(1)包括异常帧提取单元(11)、水影检测单元(12)、水影验证单元(13)和第一质量评价单元(14),所述异常帧提取单元(11)的输出端与水影检测单元(12)的输入端通讯连接,所述异常帧提取单元(11)的输出端与第一质量评价单元(14)的输入端通讯连接,所述水影检测单元(12)的输出端与水影验证单元(13)的输入端通讯连接,所述水影检测单元(12)的输出端与第一质量评价单元(14)的输入端通讯连接,所述水影验证单元(13)的输出端与第一质量评价单元(14)的输入端通讯连接;
所述异常帧提取单元(11)用于根据异常帧评价模型对视频解码图像进行异常度量,并判断是否为异常帧;
所述水影检测单元(12)用于对非异常帧图像进行分割,分割出正常像素区域与水影像素区域;
所述水影验证单元(13)用于根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值,验证非异常帧图像是否存在水影现象;
所述第一质量评价单元(14)用于根据异常度量、异常帧数、存在水影现象的帧数评价图像质量。
3.根据权利要求1所述的基于人工智能的视频质量诊断系统,其特征在于:所述音频质量评价模块(2)包括声波提取单元(21)、时域波形分析单元(22)、第二质量评价单元(23),所述声波提取单元(21)的输出端与时域波形分析单元(22)的输入端通讯连接,所述声波提取单元(21)的输出端与第二质量评价单元(23)的输入端通讯连接,所述时域波形分析单元(22)的输出端与第二质量评价单元(23)的输入端通讯连接;
所述声波提取单元(21)用于获取连续的模拟信号,将其离散化,进行去噪和滤波处理,将所得数据按照时间顺序排列,绘制成时域波形图;
所述时域波形分析单元(22)用于根据时域波形图中波形的锐利度、平滑度和起伏程度特征来判断信号中是否存在失真,根据时域波形图上波峰或波谷是否被截断来判断信号中是否存在截断;
所述第二质量评价单元(23)用于根据时域波形图中波形的锐利度、平滑度、起伏程度、波谷是否被截断评价音频质量。
4.根据权利要求1所述的基于人工智能的视频质量诊断系统,其特征在于:所述视频流质量评价模块(3)包括连续性分析单元(31)、丢帧判断单元(32)和第三质量评价单元(33),所述连续性分析单元(31)的输出端与丢帧判断单元(32)的输入端通讯连接,所述连续性分析单元(31)的输出端与第三质量评价单元(33)的输入端通讯连接,所述丢帧判断单元(32)的输出端与第三质量评价单元(33)的输入端通讯连接;
所述连续性分析单元(31)用于根据视频编码图像序列中P帧的差异像素确定P帧ROI,合并同一GOP中P帧ROI得到ROI集合,针对ROI集合内每一个ROI,统计位于ROI内的相邻两P帧差异像素个数,若像素个数大于第一阈值,则判定在该ROI内连续性差;
所述丢帧判断单元(32)用于根据GOP长度与相邻两I帧之间的帧数,判断是否存在丢帧以及丢帧类别;
所述第三质量评价单元(33)用于根据视频流包含的GOP数量、每一GOP对应的ROI集合内各ROI的连续性判断结果、丢帧类别评价视频流质量。
5.根据权利要求1所述的基于人工智能的视频质量诊断系统,其特征在于:所述异常帧评价模型为:
ε=α*MV+β*MS+γ*MH+δ*MG,
其中,ε为异常度量,MV为明度评分,α为明度评分的权重系数,MS为饱和度评分,β为饱和度评分的权重系数,MH为色调评分,γ为色调评分的权重系数,MG为梯度评分,δ为梯度评分的权重系数,α+β+γ+δ=1。
6.根据权利要求1所述的基于人工智能的视频质量诊断系统,其特征在于:所述根据非异常帧图像中水影像素区域与正常像素区域的色调均值、饱和度均值,验证非异常帧图像是否存在水影现象具体为:
计算水影像素区域与正常像素区域色调均值之差的绝对值,记为第一绝对值;
计算水影像素区域与正常像素区域饱和度均值之差的绝对值,记为第二绝对值;
若第一绝对值大于第二阈值,第二绝对值大于第三阈值,则判断该帧图像存在水影现象。
7.根据权利要求1所述的基于人工智能的视频质量诊断系统,其特征在于:所述根据时域波形图上波峰或波谷是否被截断来判断信号中是否存在截断包括:对于纯音信号,若在正向和负向达到最大值时出现斜面,则说明信号已经被截断。
8.根据权利要求1所述的基于人工智能的视频质量诊断系统,其特征在于:所述根据视频编码图像序列中P帧的差异像素确定P帧ROI包括:
对视频编码图像序列中P帧的差异像素进行连通域分析,筛选掉较小的连通域,得到P帧ROI。
9.根据权利要求5所述的基于人工智能的视频质量诊断系统,其特征在于:所述异常帧评价模型中,α=0.4,β=0.3,γ=0.1,δ=0.2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311840843.8A CN117793339A (zh) | 2023-12-28 | 2023-12-28 | 基于人工智能的视频质量诊断系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311840843.8A CN117793339A (zh) | 2023-12-28 | 2023-12-28 | 基于人工智能的视频质量诊断系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117793339A true CN117793339A (zh) | 2024-03-29 |
Family
ID=90385242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311840843.8A Pending CN117793339A (zh) | 2023-12-28 | 2023-12-28 | 基于人工智能的视频质量诊断系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117793339A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367520A (zh) * | 2020-11-11 | 2021-02-12 | 郑州师范学院 | 基于人工智能的视频质量诊断系统 |
WO2021169632A1 (zh) * | 2020-02-26 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 视频质量检测方法、装置和计算机设备 |
CN113382232A (zh) * | 2021-08-12 | 2021-09-10 | 北京微吼时代科技有限公司 | 监控音视频质量的方法和装置、系统、电子设备 |
CN114157822A (zh) * | 2020-09-07 | 2022-03-08 | 上海韵瞰无人机科技有限公司 | 一种视频的音频处理系统及其处理方法 |
-
2023
- 2023-12-28 CN CN202311840843.8A patent/CN117793339A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021169632A1 (zh) * | 2020-02-26 | 2021-09-02 | 深圳壹账通智能科技有限公司 | 视频质量检测方法、装置和计算机设备 |
CN114157822A (zh) * | 2020-09-07 | 2022-03-08 | 上海韵瞰无人机科技有限公司 | 一种视频的音频处理系统及其处理方法 |
CN112367520A (zh) * | 2020-11-11 | 2021-02-12 | 郑州师范学院 | 基于人工智能的视频质量诊断系统 |
CN113382232A (zh) * | 2021-08-12 | 2021-09-10 | 北京微吼时代科技有限公司 | 监控音视频质量的方法和装置、系统、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105430384B (zh) | 一种视频质量诊断方法和系统 | |
CN112367520B (zh) | 基于人工智能的视频质量诊断系统 | |
JP4494649B2 (ja) | 基準映像を用いることなくデジタル映像の品質を推定する方法と装置 | |
Tu et al. | Bband index: a no-reference banding artifact predictor | |
EP1059004B1 (en) | Method and arrangement for objective assessment of video quality | |
US6822675B2 (en) | Method of measuring digital video quality | |
KR100584605B1 (ko) | 디지털 비디오 신호 내에서 불투명한 로고 검출 장치 및방법 | |
CN101160951A (zh) | 一种多媒体视频通信的质量检测方法 | |
Liu et al. | A perceptually relevant approach to ringing region detection | |
CN111696078B (zh) | 一种超高清视频检测方法及系统 | |
US6707943B2 (en) | Method of monitoring the quality of distributed digital images by detecting false contours | |
JP4073131B2 (ja) | 圧縮ビデオ・シーケンス内のエラー・ブロック検出方法 | |
CN101682767A (zh) | 用于测量视频编解码器块中细节损失的系统和方法 | |
Le Callet et al. | No reference and reduced reference video quality metrics for end to end QoS monitoring | |
Wolf | Measuring the end-to-end performance of digital video systems | |
Triantaphillidou et al. | Image quality comparison between JPEG and JPEG2000. II. Scene dependency, scene analysis, and classification | |
EP1289318A1 (en) | Method and system for measuring perceptual distortion in images | |
Chen et al. | A no-reference blocking artifacts metric using selective gradient and plainness measures | |
CN117793339A (zh) | 基于人工智能的视频质量诊断系统 | |
De Angelis et al. | Image quality assessment: an overview and some metrological considerations | |
Dosselmann et al. | A prototype no-reference video quality system | |
CN111402189B (zh) | 一种视频图像偏色检测装置及方法 | |
Liu et al. | Perceptually relevant ringing region detection method | |
Ouni et al. | Are existing procedures enough? Image and video quality assessment: review of subjective and objective metrics | |
US20050105802A1 (en) | Method and an arrangement for objective assessment of video quality |
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 |