CN1465197A - 使用启发式搜索方法以非线性方案组合随机的视频特征组以便最好地描述视频序列的感觉质量的装置和方法 - Google Patents

Abstract

一种用于提供一组多个随机视频特征的合成的客观图像质量度量的方法，包括以下步骤：(a)接收一个视频序列，用于图像质量评价；(b)提供一个客观度量图像质量控制器，其包括范围为从M₁到M_n的度量的随机组，其中没有交叉相关信息；(c)单独对所述视频序列应用所述度量组中的所述每一个度量，使得所述度量的随机组中的每一个度量提供范围为从x₁到x_n的所述视频序列的单独的客观的得分值；(d)对于预定的多个视频序列(n)，确定多个加权组(w₁－w_n)，其和图像质量的预定的主观评价相关，所述多个加权组的每一个加权组被分配一个范围，所述范围具有等于所述范围除以所述每个加权组的多个组合的增量值；(e)由所述每个加权组加权在步(c)由所述随机的度量组中的每一个度量提供的每个客观得分值x₁－x_n；(f)把所述随机度量组的加权的各个客观得分值相加而成为一个客观评价F，其中步骤(e)的每个加权的各个得分值乘以来自步(c)的每个客观得分值；(g)计算相关系数R，从而提供客观评价F和多个视频序列(n)的相关值。步(e)，(f)和(g)被重复，从而提供被排序的多个相关系数；启发式搜索使用遗传算法求取最好的一组加权，用于提供最接近于预定的主观评价的客观分数。一种系统提供实现度量的非线性组合的硬件和模块，从而提供增强的感觉的图像信息。

Description

使用启发式搜索方法以非线性方案组合随机的 视频特征组以便最好地描述视频序列的感觉质量的装置和方法

本发明涉及一种用于自动地评价感觉的视频质量的装置和方法。

自动地确定视频序列的感觉的图像质量对于服务质量(QoS)销售、广播以及家用电子设备制造者是非常重要的。

一般地说，感觉的视频质量应由主观感觉加以评价。虽然专家观众可能注意到质量上的不完美之处，例如非自然信号，但是一般的公众通常不能觉察出。因而，由于大多数家用电子设备的购买者是一般的公众，所以家用电子设备的制造者、广播者和销售者在质量方面一直求助于专家组。

视频质量的主观评价是一件费时而不能得到一致结果的过程。几个观众评审组对于同一个视频序列通常给出不同的评价。事实上，同一个观众评审组每次对于同一个视频序列的评价也通常不同。因而，视频质量的纯主观的评价需要统计分析，试图消除主观评价的不确定性。

因而，最好使用客观评价方法，这样才能够得到一致的结果。这些评价方法被自动化，从而快速地评价视频质量。当然，必须具有客观方法与预定的质量主观标准的相关性，因为观众最终是按照其主观感觉来评价质量。

客观评价方法利用一些度量来定量地评价质量。所述的一些度量是一些测量量的组，在视频意义上讲，其包括一组用于测量某个客观量或某些客观量的自动化的参数。例如，具有用于测量失真、赝像、图像边沿赝像、彩色感觉、对比度灵敏度、空间和时间频道等等。

这些自动的视频质量测量度量的质量最终决定于其和主观评价相关的程度：相关性越高，则度量的质量越好。

提出了不同的客观视频质量度量，它们按照下述而在宽的范围内改变：

和与主观质量评价结果相关的程度有关的性能；

当遇到某些种赝像(例如方块、MPEG译码中的拐角赝像)时，一些模型特有的稳定性，而当应用于其它种类时则大大变劣；以及

复杂性，其中许多模型依赖于复杂的人类视觉系统(HVS)的模拟，其中需要大的计算能力，而其它的模型依赖于非常简单的计算(例如信噪比)。

显然，依靠一个度量将把评价局限于所述一个特定度量的优点和缺点。

因而，需要使用不同的客观视频质量度量来代替一个度量。以前，一直使用客观视频质量度量的线性组合来模拟视频质量的主观评价。这种线性组合假定不同的度量相互独立，因而可以利用线性模型熔合。

本发明提供一种利用启发式搜索方法非线性组合视频特征的随机组，以便更好地描述视频序列的感觉的质量的方法和装置。

按照本发明的方法，多个不同的度量被组合，其中关于这些度量的独立性是先前未知的。

一种用于提供一组多个随机视频特征的合成的客观图像质量度量的方法，包括以下步骤：

(a)接收一个视频序列，用于图像质量评价；

(b)提供一个客观度量图像质量控制器，其包括范围为从M₁到M_n的度量的随机组，其中没有交叉相关信息；

(c)单独对所述视频序列应用所述度量组中的所述每一个度量，使得所述度量的随机组中的每一个度量提供范围为从x₁到x_n的所述视频序列的单独的客观的得分值；

(d)对于预定的多个视频序列(n)，确定多个加权组(w₁-w_n)，其和图像质量的预定的主观评价相关，所述多个加权组的每一个加权组被分配一个范围，所述范围具有等于所述范围除以所述每个加权组的多个组合的增量值；

(e)由所述每个加权组加权在步(c)由所述随机的度量组中的每一个度量提供的每个客观得分值x₁-x_n；

(f)把所述随机度量组的加权的各个客观得分值相加而成为一个客观评价F，其中步骤(e)的每个加权的各个得分值乘以来自步(c)的每个客观得分值；

(g)计算相关系数R，从而提供客观评价F和多个视频序列(n)的相关值；

(h)对于在步(d)提供的每个加权组重复步(e)，(f)和(g)，从而确定多个相关系数R；

(i)对于每组加权，按照等级排列所述多个相关系数R，其中所述多个相关值的具有接近于1的特定相关值的特定相关系数代表在步(e)中的各个组合的度量的最高级；以及

(j)对系统优化器和视频处理模块中的至少一个，提供关于在步(i)获得的各个组合的度量的最高级的图像质量信息，以便提供最好的感觉的图像质量。

所述方法可以(例如)通过二次模型实行在步(f)所述的非线性组合，从而获得客观评价F。

例如如果所述方法含有总共为4的固定数量的度量，则用于获得客观评价F的二次模型是：                       2        2       2       2F＝w₁x₁+w₂x₂+w₃x₃+w₄x₄+w₅x₁x₂+w₆x₁x₃+w₇x₁x₄+w₈x₂x₃+w₉x₂x₄+w₁₀x₃x₄

所述方法可以具有任何预定数量的度量组＝n，则用于获得客观评价F的二次模型是： $F={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i\right)}^2,$ 其中“n”是非零值。

所述方法可以具有任何预定数量的度量组＝n，并且可以使用任意次的多项式(代替二次多项式)进行非线性组合，例如L次，则获得客观评价F是： $F={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i\right)}^L,$ 其中“n”是非零值。

所述方法可以在步(g)利用列兵排序计算相关系数R，公式如下： $R=1-\frac{6*{(X-Y)}^t(X-Y)}{k(k^2-1)},$

其中X等于k序列(k*1)第k个客观值的矢量，以及

Y等于k序列(k*1)第k个主观评价的矢量。所述方法还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法动态地增加在步(d)提供的所述每一组加权的指定范围的大小。

所述方法还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法能够求出最好的解(使总体客观图像质量F和主观评价的相关系数R最大的一个解)，而不需要进行无遗的搜索来求解最好的一组加权。

一种用于提供视频特征的随机组的合成图像的系统可以包括：

用于接收一个视频序列的装置；

客观度量图像质量控制器，其包括多个没有其先前的相关性信息的客观的度量，和用于从所述多个客观的度量中选择一个度量，用于评价视频序列的图像质量的装置，以及

用于由所述客观度量图像质量控制器对所述视频序列应用所述多个度量的每个度量，并用于分别对从x₁到x_n的所述视频序列记分的装置；

用于由所述客观度量图像质量控制器确定多个加权组(w₁-w_n)的装置，所述多个加权组和多个预定的视频序列(n)的图像质量的预定的主观评价相关，每一个加权组被分配一个范围，所述范围具有等于所述范围除以所述每个加权组的多个组合的增量值，其包括由所述每个加权组加权由所述度量的随机组的每一个度量提供的各个客观得分值x₁-x_n的装置；

用于把所述随机度量组的加权的各个客观得分值组合而成为一个客观评价F的装置，其中每个加权的各个得分值乘以每个客观得分值x₁到x_n；

用于计算多个相关系数R，从而提供客观评价F和多个视频序列(n)的相关值的装置，其包括按照等级排列所述多个相关系数R的装置，其中所述多个相关值的具有接近于1的特定相关值的特定相关系数代表每组加权的最高级的各个组合的度量；

其中由所述客观度量图像质量控制器确定的最高级的各个组合的度量用来提供所述视频序列的最好的客观的感觉质量。

用于组合度量的装置可以包括利用二次模型进行非线性组合从而获得客观评价F的装置。

所述用于计算多个相关系数R的装置包括利用列兵排序计算相关系数R，公式如下： $R=1-\frac{6*{(X-Y)}^t(X-Y)}{k(k^2-1)},$

其中X等于k序列(k*1)第k个客观值的矢量，以及

Y等于k序列(k*1)第k个主观评价的矢量。

所述用于确定的装置可以包括用于从多组加权中选择最好的一组加权的装置，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法动态地增加所述每一组加权的指定范围的大小。

所述用于确定的装置可以包括用于从多组加权中选择最好的一组加权的装置，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法对所述的每一组提供附加的加权，以便通过增加所述每一组加权的增量的数量来提高精度。

图1A-1F是用于说明按照本发明的方法的概况的流程图；

图2说明按照本发明进行的相关系数R的计算；以及

图3是本发明的系统的原理图。

下面说明本发明的方法和装置，这些说明只是用于说明本发明，而不用于限制本发明。本领域技术人员应当理解，在所附权利要求限定的本发明的范围和构思内，可以对下面的说明作出许多改变和改型。

图1A是表示用于实施本发明的方法的概况的流程图。

在步100，接收一个视频序列，用于图像质量评价。最初，视频序列(即视频流)可以来自多个源，包括但不限于广播，卫星传输，VHS，DVD的重放，从互连网下载的视频，TIVO重放等等。视频序列可以是任何MPEG或其它已知的协议，或者可以是将来的协议。重点在于提供接收的视频序列的增强的图像质量，而不必要求特定类型的视频序列。

在步110，提供客观图像质量控制器。所述客观图像质量度量控制器包括范围为例如从M₁到M_n的度量的随机组。其中可以没有对于度量的随机组提供的相关信息。任何以前试图使用度量来增加视频质量的尝试都假定度量之间是相互独立的，随后利用线性模型来熔合。相互依赖的和相关的度量使得其可能的组合复杂化，并且线性模型不能提供成功的结果。

在步120单独对所述视频序列应用所述度量中的所述每一个度量，使得获得单独的客观得分值。例如，所述客观得分值的范围可以从x₁到x_n，在组中的度量的数量由值“n”确定。作为一个例子，使用其中度量的数量是4的例子，不过本发明不限于4，甚至可以是400或4000。随着在将来计算资源的改进，使用的度量的数量可以大于所述的数量，但是进行组合的基本原理不会离开本发明的方法而改变。

在步130，对于预定的多个视频序列(n)，确定多个加权组(w₁-w_n)，其和图像质量的预定的主观评价相关。

为了使客观系统提供实际的质量评价，需要和主观评价相关联，因为可能的终端用户和产品的购买者将使用图像质量的主观评价作为购买或者附加购买或者和其它产品比较的基础。当然，主观评价具有已知的矛盾问题，例如观众是外行或者是专家，经常两个组对同一序列作出的评价不同。

因而，主观评价模型需要统计分析，以便确保精度，并且客观评价系统，其自动地评价不提供反馈，以便用于实时系统调整，尽可能接近地和已知的客观评价相关联。因而，根据需要，在步130和主观评价的预定的序列的相关性可以是被认为所需的任何值。

在步140，进行客观得分值x₁-x_n的加权，这由随机度量组的每个度量来提供。例如，假定(n)序列，并假定4个度量，每个度量将对(n)序列打不同的分数(将具有n组，每组包括4个量x₁，x₂，x₃，x₄。可以求出最好的一组加权，这将在下文在步200和210中讨论，如图1E，1F所示。

在步150把所述加权的各个得分值组合而成为一个客观评价F，其中来自步140的每个加权的各个得分值乘以来自步120的每个客观得分值x₁-x_n；

例如，当度量的数量是4时，图1C示出了一个只对4个度量的所有的要被组合的值的非线性二次模型的例子。不过，本领域技术人员应当理解，本发明不限于特定形式的度量，也不限于使用非线性二次模型。例如用于非线性组合的多项式的次数可以是L次，此时评价F可以按照下式获得： $F={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i\right)}^L,$ 其中“n”是非零值。

图1D表示一个更一般的公式，其中度量数是n，因此二次模型应当是对于n个度量数的二次模型。

在步160，计算相关系数R，从而提供在步150由组合的度量获得的客观评价F和多个视频序列(n)的预定的主观评价的相关值。

在步170(见图1B)，使用遗传算法求取最好的一组加权，其中通过对于在步130提供的每组加权重复步140，150和160的循环，来选择地重复一些而不是可以获得的所有可能的组合，确定多个相关系数R。

遗传算法可以包括具有相应于在步130的所述多组加权的数量的多个基因的染色体，并且所述多个基因的每个基因由对于所述每个加权足以用二进制表示所有可能的试验值的位的数量表示，其中所有可能的试验值等于在步130提供的所述每组加权的绝对值除以所述每一组加权的增量值。

遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，使得最好的解包括最接近0的偏差。

在步180，按照等级排列在步170确定的多个相关系数R，其中对于每组加权，具有接近于1的特定相关系数代表在步140中的各个组合的度量的最高级。

在步190，对系统优化器和视频处理模块中的至少一个，提供关于在步(i)获得的各个组合的度量的最高级的图像质量信息，以便提供最好的感觉的图像质量。所述信息由优化器或视频处理模块使用，用于调节处理，使评价处于某个分数值的范围内。

如前所述，图1E和1F提提供了一个附加的步骤，用于选择在步130提供的多组加权中的最好的一组加权。

为了求得最好的一组加权(例如，使用4个度量的例子，每组将具有10个加权w₁-w₁₀)，对每个加权指定一个假设的范围(例如从-1000到+1000，增量为0.125)。因而，每个序列具有(2000/0.125)*10加权＝160000可能的组合。

当对k个序列应用这些可能的组合之一时，对于所述的一个组合，具有k序列的第k个主观评价的矢量Y(其大小＝k*1)，具有第k个客观值的矢量X(其大小＝k*1)。在主观矢量Y和客观矢量X之间的相关系数R例如使用列兵排序法进行计算，以便避免在模拟中的任何线性的假设。列兵排序提供客观矢量和主观矢量匹配程度的相关性，并利用下式计算： $R=1-\frac{6*{(X-Y)}^t(X-Y)}{k(k^2-1)},$

其中X等于k序列的k个客观值的矢量(k*1)，并且，

其中Y等于k序列的k个主观评价的矢量(k*1)。

为了通过启发式搜索求得加权的最好的组合，必须进行16000*n次加权，以便求得最好的加权。此外，借助于下述可以使可能组合的数量大大增加：

增加加权搜索的动态范围(例如为-1000到1000，这个数字可以被大大增加)；

增加搜索的精度(例如代替0.125，其可以是0.0125或0.000125，或者更小)；

增加随机组中的度量的数量(所述的例子基于4个度量，但是可以是100个度量，1000个度量，或者更多的度量)。

如上所述，可能组合的数量构成了一种挑战，其可以启发式地被最好地确定。例如，遗传算法可以有效地搜索组合，从而求得最和主观评价相关的加权组。遗传算法适合于这种搜索问题，这是因为当寻找全面最佳时其能够跳过局部最佳。

在遗传算法中，进行迭代处理，这使得维持以染色体的形式编码的候选解的数量。候选解的最初的数量可以启发式地或者随机地被选择。染色体确定在一代中的每个候选解。对于每一代，每个候选解被估算，并被分配一个合适的值。所述合适的值一般是包含在每个候选解的染色体中的解码的位的函数。这些候选解将被选择，用于根据其合适的值再生下一代。在本发明中的合适的值由客观度量图像质量控制器提供。

选择的候选解使用被称为“交叉”的基因再组合操作被组合。交叉操作器交换染色体的位的部分，希望对于下一代利用较高的合适度产生较好的候选解。

然后应用“变异”来扰乱染色体的位，以便保证搜索问题空间的特定子空间的可能性永远不为0。变异还阻止遗传算法陷入本地最佳，这在本发明中使用时是尤其有用的。A.Chipperfield and P.Fleming的标题为“Parallel Genetic Algorithms”的论文(Parallel and DistributedComputing Handbook，by A.Y.H.Zomaya，McGraw Hill，New York，pages1118-1143，1996)被包括在此作为和遗传算法有关的背景参考资料。此外，P.Husbands的标题为“Genetic Algorithms in Optimization andAdaptation”的论文(P.Husbands，on pages 227-276 of the book Advancesin Parallel Algorithms by L.Kronsjo and D.Shumsheruddin(Editors)Blackwell Scientific，Boston Massachusetts，1990)也被包括在此作为和遗传算法有关的背景参考资料。

搜索处理通过变异和交叉来改变染色体的位图形，同时减小相关系数R中的差异被继续。最好的解应当是偏差为0的解，其中偏差＝1-R，并且(R应当等于1)。不过，由于实施的原因，当偏差达到某个可接受的值(例如10％)时，或者偏差不能再减少时，搜索问题可被结束。图3是按照本发明的包含客观度量图像质量控制器的系统的总体结构图。本领域普通技术人员应当理解，图3所示的系统仅仅用于说明本发明，其中度量的数量、模型的类型(例如二次的，直到第L次的用于非线性组合的多项式)、排序以及遗传算法的类型，都不限于此处所述的。

如同上面所述的关于本发明的方法那样，视频序列被每个度量加权和打分，并且遗传算法模型启发式地确定最好的加权，以便达到具有和预定的主观值最高相关性的质量。

如图3所示，接收装置305接收视频序列，客观度量图像质量控制器300包括范围从1到n的度量随机组315。按照本发明的一个方面，不需要度量的交叉相关信息。每个度量具有客观得分值，图3表示第一度量具有值x₁，x₂，x₃，...x_n。来自x₁到x_n的用于加权每个客观得分值的多个加权(w₁-w_n)由所述装置提供，从而确定加权320。用于组合度量325的装置把加权的各个得分值组合成为一个评价F。再次指出，虽然在本说明中度量的数量为4个，但这只是为了说明。在存储区域335，对于矢量X中的预定的一组序列，合成的客观分数被收集。用于排序的装置345求取相关系数R，用于预定的多个视频序列的客观评价F和主观系数Y相关。虽然作为一种最好的方式披露了列兵排序法，但是按照本发明的排序法不限于列兵排序法。利用列兵排序法进行计算能够避免在进行模拟时的任何线性假定，这种排序的例子由下式给出： $R=1-\frac{6*{(X-Y)}^t(X-Y)}{k(k^2-1)},$

其中X等于k序列的k个客观值的矢量(k*1)，并且，

其中Y等于k序列的k个主观评价的矢量(k*1)。

用于确定多个加权的装置320包括遗传算法，用于借助于改变加权系数的值使得和主观值的相关性最大，启发式地搜索最好的一组加权。使相关性最大的装置提供尽可能接近为1的相关性。如前所述，当偏差处于某个可接受的值之内时，或者当偏差再不能减小时，搜索可以结束。

Claims (29)

1.一种用于提供一组多个随机视频特征的复合的客观图像质量度量的方法，包括以下步骤：

(a)接收一个视频序列，用于图像质量评价；

(b)提供一个客观度量图像质量控制器，其包括范围为从M₁到M_n的度量的随机组，其中没有交叉相关信息；

(c)单独对所述视频序列应用所述度量组中的所述每一个度量，使得所述度量的随机组中的每一个度量提供范围为从x₁到x_n的所述视频序列的单独的客观的得分值；

(d)对于预定的多个视频序列(n)，确定多个加权组(w₁-w_n)，其和图像质量的预定的主观评价相关，所述多个加权组的每一个加权组被分配一个范围，所述范围具有等于所述范围除以所述每个加权组的多个组合的增量值；

(e)由所述每个加权组加权在步(c)由所述随机的度量组中的每一个度量提供的每个客观得分值x₁-x_n；

(f)把所述随机度量组的加权的各个客观得分值相加而成为一个客观评价F，其中步骤(e)的每个加权的各个得分值乘以来自步(c)的每个客观得分值；

(g)计算相关系数R，从而提供客观评价F和多个视频序列(n)的相关值；

(h)对于在步(d)提供的每个加权组重复步(e)，(f)和(g)，从而确定多个相关系数R；

(i)对于每组加权，按照等级排列所述多个相关系数R，其中所述多个相关值的具有接近于1的特定相关值的特定相关系数代表在步(e)中的各个组合的度量的最高级；以及

(j)对系统优化器和视频处理模块中的至少一个，提供关于在步(i)获得的各个组合的度量的最高级的图像质量信息，以便提供最好的感觉的图像质量。

2.如权利要求1所述的方法，其中通过二次模型非线性地实行在步(f)所述的组合，从而获得客观评价F。

3.如权利要求2所述的方法，其中当多个度量组＝4时，则用于获得客观评价F的二次模型是：

        2      2   2      2

F＝w₁x₁+w₂x₂+w₃x₃+w₄x₄+w₅x₁x₂+w₆x₁x₃+w₇x₁x₄+w₈x₂x₃+w₉x₂x₄+w₁₀x₃x₄.

4.如权利要求2所述的方法，其中当多个度量组＝n时，则用于获得客观评价F的二次模型是： $F={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i\right)}^2,$ 其中“n”是非零值。

5.如权利要求1所述的方法，其中当多个度量组＝n，并且步(f)包括利用直到第L阶的多项式进行非线性组合，则按照下式获得所述客观评价F： $F={\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{x}_i\right)}^L$ 其中“n”是非零值。

6.如权利要求1所述的方法，其中在步(g)利用列兵排序计算相关系数R，公式如下： $R=1-\frac{6*{(X-Y)}^t(X-Y)}{k(k^2-1)},$

其中X等于k序列(k*1)第k个客观值的矢量，以及

Y等于k序列(k*1)第k个主观评价的矢量。

7.如权利要求2所述的方法，其中在步(g)利用列兵排序计算相关系数R，公式如下： $R=1-\frac{6*{(X-Y)}^t(X-Y)}{k(k^2-1)},$

其中X等于k序列(k*1)第k个客观值的矢量，以及

Y等于k序列(k*1)第k个主观评价的矢量。

8.如权利要求4所述的方法，其中在步(g)利用列兵排序计算相关系数R，公式如下： $R=1-\frac{6*{(X-Y)}^t(X-Y)}{k(k^2-1)},$

其中X等于k序列(k*1)第k个客观值的矢量，以及

Y等于k序列(k*1)第k个主观评价的矢量。

9.如权利要求1所述的方法，还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法动态地增加在步(d)提供的所述每一组加权的指定范围的大小。

10.如权利要求1所述的方法，所述方法还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法能够求出一个使总体客观图像质量F和主观评价的相关系数R最大的最好的解，而不需要进行穷尽的搜索来求解最好的一组加权。

11.如权利要求2所述的方法，还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法动态地增加在步(d)提供的所述每一组加权的指定范围的大小。

12.如权利要求2所述的方法，所述方法还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法能够求出最好的解(使总体客观图像质量F和主观评价的相关系数R最大的一个解)，而不需要进行穷尽的搜索来求解最好的一组加权。

13.如权利要求7所述的方法，还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法动态地增加在步(d)提供的所述每一组加权的指定范围的大小。

14.如权利要求7所述的方法，所述方法还包括：

(k)选择在步(d)提供的多组加权中的最好的一组加权，所述最好的一组加权通过遗传算法启发式地被确定，所述遗传算法能够求出最好的解(使总体客观图像质量F和主观评价的相关系数R最大的一个解)，而不需要进行无遗的搜索来求解最好的一组加权。

15.如权利要求9所述的方法，其中所述遗传算法包括具有相应于在步(d)的所述多组加权的数量的多个基因的染色体，并且所述多个基因的每个基因由对于所述每个加权足以用二进制表示所有可能的试验值的位的数量表示，其中所有可能的试验值等于在步(d)提供的所述每组加权的绝对值除以所述每一组加权的增量值。

16.如权利要求15所述的方法，其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，使得最好的解包括最接近0的偏差。

17.如权利要求10所述的方法，其中所述遗传算法包括具有相应于在步(d)的所述多组加权的数量的多个基因的染色体，并且所述多个基因的每个基因由对于所述每个加权足以用二进制表示所有可能的试验值的位的数量表示，其中所有可能的试验值等于在步(d)提供的所述每组加权的绝对值除以所述每一组加权的增量值。

18.如权利要求17所述的方法，其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，使得最好的解包括最接近0的偏差。

19.如权利要求17所述的方法，其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，使得最好的解包括下述之一：1)在预定值的一个预定百分数内的偏差，以及2)在某个预定数量的尝试之后，所述偏差不再减少。

20.如权利要求11所述的方法，其中所述遗传算法包括具有相应于在步(d)的所述多组加权的数量的多个基因的染色体，并且所述多个基因的每个基因由对于所述每个加权足以用二进制表示所有可能的试验值的位的数量表示，其中所有可能的试验值等于在步(d)提供的所述每组加权的绝对值除以所述每一组加权的增量值。

21.如权利要求20所述的方法，其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，使得最好的解包括最接近0的偏差。

22.如权利要求12所述的方法，其中所述遗传算法包括具有相应于在步(d)的所述多组加权的数量的多个基因的染色体，并且所述多个基因的每个基因由对于所述每个加权足以用二进制表示所有可能的试验值的位的数量表示，其中所有可能的试验值等于在步(d)提供的所述每组加权的绝对值除以所述每一组加权的增量值。

23.如权利要求22所述的方法，其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，使得最好的解包括最接近0的偏差。

24.如权利要求13所述的方法，其中所述遗传算法包括具有相应于在步(d)的所述多组加权的数量的多个基因的染色体，并且所述多个基因的每个基因由对于所述每个加权足以用二进制表示所有可能的试验值的位的数量表示，其中所有可能的试验值等于在步(d)提供的所述每组加权的绝对值除以所述每一组加权的增量值。

25.如权利要求24所述的方法，其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，其中所述偏差＝1-R，并且由所述算法确定的最好的解包括最接近0的偏差。

26.如权利要求13所述的方法，其中所述遗传算法包括具有相应于在步(d)的所述多组加权的数量的多个基因的染色体，并且所述多个基因的每个基因由对于所述每个加权足以用二进制表示所有可能的试验值的位的数量表示，其中所有可能的试验值等于在步(d)提供的所述每组加权的绝对值除以所述每一组加权的增量值，并且

其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，其中所述偏差＝1-R，并且由所述算法确定的最好的解包括最接近一个预定值的偏差。

27.如权利要求26所述的方法，其中所述预定值包括不能通过进一步搜索来减小的值。

28.如权利要求24所述的方法，其中所述遗传算法可以通过变异和交叉中的至少一个来改变染色体的位图形，同时减少相关系数R中的偏差，其中所述偏差＝1-R，并且由所述算法确定的最好的解包括最接近一个预定值的偏差。

29.一种用于提供视频特征的随机组的复合图像的系统包括：

用于接收一个视频序列的装置(305)；

客观度量图像质量控制器(300)，其包括多个没有其先前的相关性信息的客观的度量，并用于从所述多个客观的度量中选择一个度量，用于评价视频序列的图像质量的装置(315)，以及

用于由所述客观度量图像质量控制器对所述视频序列应用所述多个度量的每个度量，并用于分别对从x₁到x_n的所述视频序列记分的装置(335)；

用于由所述客观度量图像质量控制器确定多个加权组(w₁-w_n)的装置(320)，所述多个加权组和多个预定的视频序列(n)的图像质量的预定的主观评价相关，每一个加权组被分配一个范围，所述范围具有等于所述范围除以所述每个加权组的多个组合的增量值，其包括由所述每个加权组加权由所述度量的随机组的每一个度量提供的各个客观得分值x₁-x_n的装置；

用于把所述随机度量组的加权的各个客观得分值组合而成为一个客观评价F的装置(325)，其中每个加权的各个得分值乘以每个客观得分值x₁到x_n；

用于计算多个相关系数R，从而提供客观评价F和多个视频序列(n)的相关值的装置(345)，其包括按照等级排列所述多个相关系数R的装置，其中所述多个相关值的具有接近于1的特定相关值的特定相关系数代表每组加权的最高级的各个组合的度量；

其中由所述客观度量图像质量控制器确定的最高级的各个组合的度量用来提供所述视频序列的最好的客观的感觉质量。

Images