CN1511304A - 视频处理系统高效自动设计和调整的系统和方法 - Google Patents

Abstract

用于视频处理系统，能够利用视频处理算法链处理视频流的一种系统和方法，用于利用混合的试探性优化方法以更加高效的方式进行自动设计和调整。一方面，本发明是调整视频处理系统的一种方法，包括应用遗传算法，监视解的收敛程度，确定在局部最优解的收敛程度已经满足一个预定收敛程度判据的时候应用第二个更加高效的搜索方法的步骤。这一过程重复下去，直到找到最优解，据此调整视频处理算法。这种视频处理系统以迭代方式朝着产生非常高质量视频图像的控制参数配置方向收敛。另一方面，本发明是按照这一方法产生的处理过的信号。

Description

视频处理系统高效自动设计和调整的系统和方法

技术领域

本专利申请涉及2001年5月11日由Ali提交的第60/290506号美国临时专利申请“利用混合试探性优化器提高视频处理系统的自动设计和调整速度”，同时要求享受它的优先权。

技术背景

本专利申请涉及2000年12月12日Ali等等提交的标题是“为自动视频质量评估提供可伸缩动态客观度量的系统和方法”的第09/734823号美国专利申请，以及2001年3月27日Ali等等提交的标题是“优化视频处理算法链中控制参数的系统和方法”的第09/817981号所公开的内容。涉及到的这些专利申请被转让给本发明的受让人。

本发明将前面提到的这些相关专利申请的内容引入作为参考。

总的来说，本发明针对的是能够利用视频处理算法链处理视频流的视频处理系统，具体而言，涉及利用混合试探性优化器提高视频处理系统的自动设计速度和调整速度，以便获得高质量视频图像的系统和方法。

视频专家不断地努力开发出新的性能更好的视频处理技术，以提高视频图像的质量。主要目的是将收到的电子视频信号转换成高质量的视频图像呈现给观看者。在任意一个视频处理系统中，对视频流应用一个或者多个视频处理算法，改变它的特性，努力获得最高的视频质量。

例如，在电视机里，视频信号流可以由多个视频功能进行处理。这些视频功能可以包括提高锐度、降低噪声、校正色彩以及其它相似的视频图像处理技术。每个视频功能都可以有一个或者多个参数必须设置成特定值。控制参数的值会影响视频图像的质量。此外，各种视频功能的应用顺序也会影响视频图像的质量。

开发视频系统的过程中，不断出现新型视频处理算法。另外，旧的视频处理算法不断改进。随着时间推移，各种视频处理算法的性能不断提高。毫不意外，视频处理算法的复杂性也与日俱增。

视频处理算法通常是独立于最终使用它们的视频处理系统而进行开发和评估的。完成了评估以后，每个视频处理算法都与一个视频处理系统结合，比方说与电视机、机顶盒或者其它类型的消费产品进行结合。

视频处理系统中视频处理算法链能够获得的最终视频图像质量强烈地依赖于所有这些视频处理算法的相互作用。这种相互作用取决于每个算法的控制参数设置，在串联的算法之间传送的数据量，以及视频处理链里串联算法的顺序。早就有许多特殊方法为一串视频处理算法确定最佳的控制参数设置。但是，优化整个视频图像质量，目前能够获得的特殊方法要消耗大量的时间和计算机资源。对于相对便宜的独立产品而言节省计算资源特别重要。在例如大型制造设备或者大学校园里，象电视机这样的消费产品没有足够的视频处理能力。也不可能以合适的价格提供这样的能力。而已经习惯了用非常便宜的电视产品就能够获得高质量视频图像的消费者总是在期待着提高质量，完全可能只是根据给定价格下能够获得最好的图像质量来做出购买决定。

因此，在这个领域中需要一种系统和方法，它们能够全面而高效地分析视频处理算法链中视频处理算法的相互作用。本发明的系统和方法正好能够提供这样一个解决方案。

为了克服现有技术中的上述缺点，本发明的系统和方法提供一个高效的自动化程序，用来高效地分析视频处理算法中的控制参数，以便获得很高的视频图像质量。

发明内容

本发明的视频处理系统包括一个视频处理算法链，一个优化单元，以及一个客观质量度量单元。从视频处理单元链输出的视频流被提供给这个客观质量度量单元。这个客观质量度量单元计算一个合适性值，将这个合适性值提供给优化单元。优化单元首先应用一个遗传算法搜索方法，直到改善程度下降到低于一个预定收敛值，利用这个合适性值为视频处理算法配置控制参数。然后用一个更加有效的试探性方法从遗传算法解开始寻找一个局部最优解。找到局部最优解的时候，将它提供给遗传算法，再一次应用遗传算法，但是这一次充分利用了试探算法找到的局部最优解。这一过程继续下去，直到找到最优解。视频处理系统的迭代朝着产生非常高质量的视频图像的控制参数收敛。

另一方面，本发明是通过按照具有遗传算法和试探算法，用来高效地优化参数的一个优化单元自动设置的参数采用一个视频处理算法链产生的一个视频信号。在一个优选实施方案中，遗传算法进行搜索，直到达到预定收敛程度，在这个时候为控制器用试探性搜索算法搜索局部最优解。找到以后，遗传算法可以利用这个局部最优解进行进一步的搜索。

本发明的一个目的是提供一种系统和方法，用于高效地配置视频处理系统，以便提供高质量的视频图像。

本发明的另一个目的是将客观质量度量单元和优化单元结合起来，优化视频处理算法的控制参数。

本发明的再一个目的是提供一种系统和方法，用于提高包括多个视频处理算法链的视频处理系统的自动设计和调整速度。

但是要注意，尽管本发明的一个目的是提高视频信号处理系统调整和设计的速度和效率，但是实际上做到这一点本身并不是本发明必不可少的要素。

前面从相当广泛的意义上概括了本发明的特征和技术优点，因此本领域中的技术人员能够更好地理解本发明的以下详细说明。本发明的其它特征和优点将在后面加以介绍，它们构成本发明权利要求的内容。本领域中的技术人员应该明白他们能够很容易地将这里公开的概念和具体实施方案用作基础，来改进或者设计其它结构，达到与本发明的目的相同的目的。本领域中的技术人员还应该认识到这些等价的结构没有偏离本发明最广泛意义上的实质和范围。

在理解本发明的发明详述之前，为这个专利文献中使用的特定词和短语下一个定义比较好。“包括”和“包含”及这两个词的衍生词指的是包括而不限制；“或”的意思是包括，指的是和/或；“与......有关”和“与之有关”及其衍生词指的是包括，被包括，与之相联系，包含，被包含，连接，可以与之连通，与之协作，交织，并列，相邻，被找到，具有，具有某种特性等等；“控制器”、“处理器”或者“设备”指的是控制至少一项操作的所有装置、系统或者它的一部分，这种装置可以用硬件、固件或者软件或者至少两样的结合来实现。应该指出，与任何特定控制器有关的功能都可以是集中式的，也可以是分布式的，不管它们是本地的还是远处的。具体而言，一个控制器可以包括一个或者多个数据处理器，并且与输入/输出装置和存储器连接，执行一个或者多个应用程序和/或一个操作系统程序。特定词和短语的定义在整个这篇专利文献里给出。本领域中的普通技术人员应该明白在许多情形中，如果不是多数情形的话，这些定义适用于这些词和短语现有的以及将来的使用。

附图说明

为了更加完整地理解本发明，下面参考附图和以下详细描述，介绍本发明的优点，附图中用相似的数字表示相似的物体，其中：

图1是利用本发明的系统和方法配置视频处理算法链的一个示例性视频处理系统的框图；

图2是四视频处理算法链的一个框图，这些算法包括空间缩放算法，直方图修正算法，自适应尖峰算法和降噪算法；

图3是本发明中视频处理染色体的一个框图，包括功能顺序基因，比特精度基因，降噪参数基因和尖峰参数基因；和

图4是说明本发明的方法的一个实施方案流程图，其中对一个视频处理算法链进行优化，以获得高质量视频信号。

具体实施方式

这篇文献中下面的图1～4以及用于说明本发明原理的各个实施方案仅仅是用于进行说明，不应该理解成限制本发明的范围。在后面对示例性实施方案的说明中，本发明被集成在一个视频处理系统中，或者与这个视频处理系统联合起来使用。本领域中的技术人员会认识到可以很容易地将本发明的示例性实施方案改造成用于任意类型的视频处理系统。

图1是本发明中用于优化视频处理算法链中每个视频处理算法控制参数的一个示例性视频处理系统100的一个框图。视频处理系统100一般都包括视频处理算法的一个链110，优化单元120以及客观质量度量单元130。输入的视频流(在图1中标成“视频输入”)被提供给链110的输入端。输出视频流(在图1中标成“视频输出”)从链110输出。输出视频流的一个拷贝被反馈给客观质量度量单元130。

客观质量度量单元130提供一个可伸缩的动态客观度量，用于自动地评估视频质量。与客观质量度量单元130的工作过程有关的细节信息在Ali等等于2000年12月12日提交的第09/734823号美国专利申请“为自动视频质量评估提供可伸缩动态客观度量的系统和方法”中给出。

客观质量度量单元130的输出被提供给优化单元120作为输入。优化单元120为链110中的每一个视频处理算法配置控制参数。优化单元120可以使用不同类型的优化技术。Ali等等2001年3月27日提交的第09/817981号美国专利申请“优化视频处理算法链中控制参数的系统和方法”对这些优化技术进行了一般性的介绍。例如，优化单元120的一个优选实施方案采用“遗传算法”优化技术。在说明的实施方案中，优化单元120包括遗传算法122和试探算法124。注意，虽然为了方便只提到了一个，但是可能有一个以上的遗传或者试探算法存在。还可能有其它算法。但是在这个实施方案中，遗传算法122和试探算法124被位控制器125同时使用，以便快速高效地获得解，就象下面将更加全面地描述的一样。但是将首先介绍每项技术。

遗传算法优化技术建立在进化概念的基础之上，在不断变化的环境中差异能够确保一个群体生存。参考Addison-Wesley于1989年在麻萨诸塞州Reading出版的David E.Goldberg的“搜索、优化和机器学习中的遗传算法”。遗传算法对于优化和搜索是简单而又坚固的算法。遗传算法是迭代程序，它维护着以染色体形式编码的一个候选解种群。最初的一个候选解种群可以以探索方式或者随机方式加以选择。染色体给出一代中的每个候选解。对于每一代，评估每一个候选解，并且给它赋予一个合适性值。这个合适性值通常都是每个候选解的染色体中包括的编码位的函数。可以选择这些候选解用于在它们的合适性值的基础之上在下一代中用于繁殖。本发明中的合适性值由客观质量度量单元130给出。

选中的候选解利用叫做“交叉”的基因重组操作进行组合。交叉操作交换染色体的部分比特，希望在下一代中产生具有更大合适性值的更好的候选解。然后进行“突变”，打乱染色体的位，以确保问题空间的特定子空间的搜索概率永远不等于零。至于更多的信息，请参考A.Y.H.Zomaya编辑，纽约McGraw Hill1996年出版的《并行和分布式计算手册》的第1118～1143页上A.Chipperfield和P.Fleming的文章“并行遗传算法”。“突变”还能够防止遗传算法陷在局部最大峰上。参考L.Kronsjio和D.Shumsheruddin(编辑)编辑，BlackwellScientific于1990年在麻省波斯顿出版的书《并行算法进展》上第227～276页P.Husbands的文章“优化和自适应中的遗传算法”。

再一次评估下一代中的整个一个候选解种群，这一过程继续下去直到满足一个门限判据。这个门限判据可以是达到理论最优的情况下解的预定收敛程度。例如，连续不断或者周期性地监测这一收敛条件，以确定什么时候达到预先确定的收敛程度。

一旦满足这个门限判据，就针对这些结果应用计算效率更高的试探性方法。通过这种方式，优化器更快地找到一个局部最优解(它可能是也可能不是全局最优解)。找到本地最优解的时候，再次应用遗传算法，直到符合门限判据。这第二个门限判据可以与第一个相同，也可以不同。

本发明的系统和方法用遗传算法来提出视频处理算法的最佳控制参数设置。遗传算法还提供一些实施方案选择，并提供一个互连方案来获得最佳客观视频质量。在优化视频处理方案的时候，染色体给出连接不同视频处理算法的特定方式，也就是处理视频序列的方式。一个染色体包括多个基因。本发明的视频优化过程中的基因包括(1)视频处理函数，和(2)应用视频处理功能的顺序(它决定了连接方案)。

试探算法常常以稍微不同的方式工作。虽然遗传算法应用一个随机选择过程来获得整个空间的最优解，但是试探法，例如“爬山法”，则只是选择一个开始点，相对于第一个解重复地测试下一个解，每次都保留更好的那一个解。这个解迅速地成为比相邻解都要好的解，因此它被叫做一个局部最优解，而不是全局最优解。同样，现实世界中因浓雾而受困的爬山者通过测试当前位置每个方向上的地形来找到顶点。如果往这个方向走是向上走，这个登山者就选择这一步。虽然这个登山者将最终到达一个顶点，从这个点没有任何路往上走，但是根本不能保证这就是整个搜索区域中的最高点。

换句话说，虽然爬山过程会迅速高效地收敛到局部最优解，但是它也可能被粘在那里。遗传算法没有这个缺点，但是要用多得多的时间和计算资源。注意，不同于爬山，一些探索法将找到一个最优解而不是局部最优解，但是这些过程常常要牺牲掉所需要的效率。

图2画出了视频处理算法链110的一个示例性实施方案的一个框图。在这个实施方案中，链110包括四个这样的算法。这四个视频处理算法是空间缩放算法210、直方图修正算法220、自适应尖峰算法230和降噪算法240。本发明并不限于有四个视频处理算法的实施方案。视频处理算法链110可以包括任意数量的视频处理算法。如上所述，这些视频处理算法中的每一个都包括多个参数，它们的最优设置是本发明的系统和方法的目标。当然，可能有一个以上的这种最优解。例如，电视机可以为一种节目采用一组参数，为另一种采用另一组。自然，本发明的系统和方法可以用于找到每一组参数。

图3是本发明一个视频处理染色体300的一个框图。染色体300包括功能顺序基因310、比特精度基因320、降噪参数基因330和尖峰参数基因340。链110中的每个视频处理算法(210，220，230，240)可以用染色体300中的四个基因(310，320，330，340)来配置。具体而言，可以改变视频处理算法的应用顺序，每个视频处理算法的控制参数设置都可以改变，每个视频处理算法的比特精度都可以改变。

在本发明的一个优选实施方案中，优化单元120将遗传算法优化技术与试探性搜索法结合起来使用，配置每一个视频处理算法(210，220，230，240)的控制参数。优化器利用染色体300基因(310，320，330，340)中的信息。例如，尖峰参数基因340可以被用于改变四个视频处理算法中每一个算法的尖峰(锐度)控制参数。配置视频处理算法的过程在图1中用箭头140表示。

优化单元130尽可能按照遗传方法配置每个视频处理算法。也就是说，优化单元120假设特定的视频处理算法和它的连接限制(也就是视频处理算法的顺序)没有任何现成信息。优化单元120打乱链110中每个视频处理算法里预先确定的那组控制参数。两个顺序视频处理算法之间的数据比特精度(也就是数据总线的比特数，也就是“总线宽度”)也是要优化的一个控制参数。

利用客观质量度量单元130的合适性值，优化单元120继续确定下一步要尝试的控制参数配置(也就是候选解)。能够给出良好视频图像的候选解被保留下来，而给出不好视频图像的候选解则被舍弃。按照这种“适者生存”原则，通过结合试探算法进行加速，视频处理系统100以迭代方式收敛到产生最高质量视频图像的控制参数配置。

优化单元120使用的遗传算法可以是标准遗传搜索算法的一种变化。至于更多的信息，清参考Morgan Kaufman出版社于1991年在纽约出版的G.Rawlins(编辑)编辑的书《遗传算法基础》第265～283页上L.Eshelman的文章“CHC自适应搜索算法。非传统基因重组中如何进行安全搜索”。随机地产生最初的N个染色体构成的一个种群，评估每个染色体。按照以下方式产生一个中间种群：(1)将当前种群复制到中间种群里。(2)当前种群中的每个染色体都与另一个染色体进行随机配对。(3)如果满足差判据就进行交叉。(4)用户可以指定交叉判据。(5)对得到的“孩子”进行评估，并添加到当前种群中。

得到的中间种群具有N个以上的染色体(如果所有染色体对都相差较大就有2N个)。选出中间种群中的最佳N个染色体，留给下一代。注意，在这个阶段没有进行任何突变。两个染色体进行交叉只有在它们之间的差异超出一个门限的时候才进行。不能找到差别超出门限的任何染色体对的时候降低这个门限。当门限达到零(“0”)的时候，对这个种群进行重新初始化(或者“发散”)。在这里，将能够获得的最佳染色体选作代表，复制到下一代中去。其余染色体则通过让这个模板染色体一定百分比的比特(例如35％)进行突变来产生。

将图2所示的那一组视频处理算法选作说明性的实例是因为它们在所有视频处理系统中都是关键角色。此外，图2所示的一些视频处理算法具有有竞争力的要求。例如(1)提高锐度将使感受到的噪声增大，和(2)降低噪声会导致图像模糊，导致图像性能受损。

如上所述，视频处理系统100一般都包括视频处理算法的一个链110，优化单元120和客观质量度量单元130。视频处理系统100的计算瓶颈来自链110中视频处理算法的复杂性。为了降低计算量要求，可以同时并行运行多个视频处理算法链(具体取决于并行计算机中能够使用的计算处理器)。还可以同时启动多个客观质量度量单元。视频处理系统100特别消耗计算资源的部分采用并行单元能够明显地提高整体性能。

显然，控制参数的可能组合构成数不清的选择。例如，相对较少的四个视频处理算法构成的链会产生多达十万个配置。为了高效地优化视频处理算法的控制参数设置，试探算法能够高效地将巨大的搜索空间减小到能够接受的程度。

另外，不必考虑整个一代中每一个候选解的每一个特性。如果所考虑的染色体有一个很长的序列，那么全面地研究每个候选解代价将非常高。很可能有许多非常相似的候选解。目标是找到和选择“合适”的解(也就是导致链110产生高质量视频信号的候选解)。选择有限数量的代表性候选解，一个一个地研究它们而不是研究整个一代中的每一个候选解，这样做效率更高。

也可以根据一个分支的内在染色体结构栅除“进化”过程中这个“不合适”的分支。根据这个“进化”过程概率，很可能一个很好的“父亲”(具有能够提高主观锐度这种良好品质的方案)会有一个“儿子”继承良好品质。也就是说，“合适的”分支将延续下去，“不合适的”分支则不允许延续下去。

用这些准则来改进遗传算法将进一步减少优化过程收敛到最优候选解所需要的时间。

图4是描述本发明一个优选实施方案中示例性视频处理系统100工作过程的一个流程图。视频处理系统100接收视频处理算法链110中的视频输入信号，以视频处理算法(210，220，230，240)处理视频信号(处理步骤410)。不管设置的是什么参数都要经过这个处理过程，不管是默认参数还是前面的优化过程建立起来的参数。这一处理可以是在线的也可以是离线的，也就是说，可以是正在进行处理供显示的视频信号流，也可以是进行调整而不影响观看者实际看到的相同的信号流。(优化了以后将重新设置影响显示的参数。)

用某些事件触发的时候开始实际的优化过程(处理步骤420)。这个触发器可以仅仅是确定自从显示器打开电源以后信号还没有优化，或者经过了一段长度设定好的时间等等。这个触发器还可以由信号监视功能产生，如果存在的话。注意，“触发器”也可以被看作一个“标志”，向微控制器125说明是否执行优化程序。但是它在处理步骤420启动，处理过的(视频输出)信号被客观质量度量单元130相对于建立起来的度量进行评估(处理步骤430)。图4中的虚线反映了一个可选的实施方案，其中的信号评估步骤430实际上产生了处理步骤420检测到的优化触发器。在这两种结构里，信号评估都会在进行评估的时候得到能够用于视频输出信号质量的合适性值。

在步骤420中检测到优化触发器的时候，微处理器125用遗传算法122开始搜索最佳参数设置(处理步骤435)。得到一个解的时候，调整视频处理算法210、220、230和240使用的参数(处理步骤440)。然后这一视频信号处理(处理步骤410)用调整后的这些参数继续进行。在处理步骤430中评估得到的视频输出信号。产生一个以上的合适性值的时候，要将它们都与前面的一个或者多个进行比较(处理步骤445)。为控制器决定一个解是否比前一个解好，如果是这样，就确定好多少(确定步骤450)。(仅仅给较差的解做上记号，将来不再使用(这一步骤没有画出)。)具体而言，要确定这一改善程度是否低于一个预定收敛值，例如小于20％的一个改善。如果不是，就继续应用遗传算法。如果是这样，位控制器125就对遗传算法122找到的当前最优解应用试探算法124(处理步骤455)。应用试探算法122，比方说爬山法，的时候，对参数进行调整(处理步骤440)，对视频信号进行处理(处理步骤410)和评估(处理步骤430)。

采用试探算法的时候，对合适性值进行比较(处理步骤445)，确定是否获得了一个局部最优解(确定步骤460)。如果没有，试探算法就继续下去(处理步骤455)。如果是这样，位控制器就让遗传算法122利用试探算法124找到的局部最优解继续搜索(处理步骤465)。注意，这个处理步骤与处理步骤435的不同之处最好只有搜索空间和打乱方法，因为遗传算法的应用已经受到试探算法结果的限制。但是如上所述，处理步骤465中应用的遗传算法会导致参数调整(处理步骤440)和继续下去的处理(处理步骤410)以及信号评估(处理步骤430)。但是在这一点上，对合适性值进行比较(处理步骤445)不仅仅是要确定是否达到了预定的收敛程度(确定步骤450)，还要确定是否得到了最优解(确定步骤470)，也就是说，将这些参数看成已经优化。如果视频信号已经被优化，这一过程就结束(480)。

如果这一视频信号还没有被优化，就回到处理步骤465。确定视频信号事实上是否已经优化可以用能够接受的任何判据进行，包括人工输入的用户请求，还可以考虑例如正在显示的节目(或者其它视频表示)的特性或者质量的变化。例如，如果有特定门限数量的候选解没能改善，或者特定长度的时间过去了以后没有可度量的进展，就可以认为这一视频信号被优化了，直到下一个优化启动时间，或者触发器出现。如果已经以离线方式完成优化，就可以将实际参数设置成上述过程中找到的最优值。最后，要注意最优解可能不能从应用试探算法124一次就得到。更可能发生的是要应用许多次(处理步骤455)，提供多个局部最优解用于在处理步骤455应用遗传算法122。

因此，本发明的系统和方法包括一个改进了的视频处理系统100，它能够优化视频处理算法(210，220，230，240)链110的控制参数设置。这个系统和方法发明同时利用遗传算法122和试探算法124，以迭代方式让控制参数设置的值朝着产生非常高质量的视频图像的控制参数设置方向收敛。

虽然详细描述了本发明，但是本领域中的技术人员应该明白他们能够进行各种改变、替换和交换，而不会偏离本发明的实质和范围。

Claims (20)

1.用于包括处理视频流的视频处理算法链(110)那种类型的视频处理系统(100)的一种系统，用于优化所述视频处理算法链中至少一个视频处理算法里的至少一个控制参数设置，所述系统包括有多个算法的一个优化单元(120)，这些算法至少包括一个遗传算法(122)和一个试探算法(124)，用于通过对遗传算法(122)产生的结果应用试探算法(124)优化所述至少一个视频处理算法的所述至少一个控制参数设置。

2.权利要求1的系统，还包括与所述优化单元(120)连接的一个客观质量度量单元(130)，所述客观质量度量单元(130)能够从所述视频处理算法链接收一个输出视频流，并且能够确定一个合适性值，说明所述输出视频流的视频质量，并且能够提供所述合适性值给所述优化单元(120)。

3.权利要求2的系统，其中所述优化单元(120)中的算法利用所述合适性值对所述至少一个视频处理算法的至少一个控制参数设置进行优化。

4.权利要求1的系统，其中的优化单元(120)包括一个算法，这个算法能够优化所述视频处理算法链(110)中多个视频处理算法中每一个的多个控制参数设置。

5.权利要求4的系统，还包括与所述优化单元(120)连接的一个客观质量度量单元(130)，这个客观质量度量单元(130)能够从所述视频处理算法(110)接收输出视频流，能够确定说明输出视频流视频质量的一个合适性值，并且能够提供所述合适性值给所述优化单元(120)。

6.用于包括处理视频流的视频处理算法链(110)那种类型的视频处理系统(100)的一种优化器(120)，用于优化所述视频处理算法链(110)中所述至少一个视频处理算法的至少一个控制参数设置，该优化器(120)包括：

一个遗传算法单元，包括一个遗传算法(122)，能够优化所述至少一个视频处理算法的至少一个控制参数设置；

一个收敛监视单元，用于确定遗传算法单元达到的收敛程度；

一个试探算法单元，包括一个试探算法(124)，用于从遗传算法搜索单元接收结果，并且在收敛监视单元发现遗传算法(122)已经达到预定收敛程度的时候，用于搜索最佳本地解。

7.权利要求6的优化器(120)，还包括一个客观质量度量单元(130)，与所述遗传算法单元和所述试探算法单元相连，所述客观质量度量单元(130)能够从所述视频处理算法链(110)接收一个输出视频流，并且能够确定一个合适性值，说明所述输出视频流的视频质量，并且能够提供所述合适性值给所述遗传算法单元中的所述遗传算法(122)和所述试探算法单元中的所述试探算法(124)。

8.权利要求7的优化器(120)，其中所述遗传算法单元中的所述遗传算法(122)和所述试探算法单元中的所述试探算法(124)利用所述合适性值对所述至少一个视频处理算法的至少一个控制参数设置进行优化。

9.权利要求6的优化器(120)，其中的优化器(120)能够优化所述视频处理算法链(110)中多个视频处理算法中每一个的多个控制参数设置。

10.权利要求9的优化器(120)，还包括与所述遗传算法单元和所述试探算法单元连接的一个客观质量度量单元(130)，这个客观质量度量单元(130)能够从所述视频处理算法(110)接收输出视频流，能够确定说明输出视频流视频质量的一个合适性值，并且能够提供所述合适性值给所述遗传算法(122)和所述试探算法(124)。

11.权利要求10的优化器(120)，其中所述遗传算法单元中的遗传算法(122)和所述试探算法单元中的所述试探算法(124)利用所述合适性值对多个视频处理算法的多个控制参数设置进行优化。

12.权利要求11的优化器，其中多个控制参数设置中的至少一个包括所述视频处理算法链(110)中所述视频处理算法的应用顺序。

13.权利要求11的优化器，其中所述视频处理算法的多个控制参数设置中的至少一个包括以下参数中的一个：比特精度参数、降噪参数和尖峰参数。

14.用于包括处理多个视频流的视频处理算法链(110)那种类型的视频处理系统(100)的一种系统，用于优化所述多个视频处理算法链(110)中所述多个视频处理算法的多个控制参数设置，该系统包括：

与并行的所述多个视频处理算法链(110)连接的多个优化单元(120)，所述多个优化单元(120)中的每一个都包括一个遗传算法(122)和一个试探算法(124)，它们能够结合起来优化所述多个视频处理算法链(110)的所述多个控制参数设置；和

多个客观质量度量单元(130)，所述多个客观质量度量单元(130)中的每一个都与所述多个优化单元(120)中的一个连接，所述多个客观质量度量单元(130)中的每一个都能够从多个视频处理算法链(110)中的一个接收输出视频流，能够确定一个合适性值，说明所述输出视频流的视频质量，能够提供所述合适性值给所述客观质量度量单元(130)连接的优化单元(120)；

其中的优化单元(120)利用所述合适性值对所述多个视频处理算法的多个控制参数设置进行优化。

15.权利要求14的系统，包括一个遗传算法(122)，其中不能提高视频质量的候选解被剔除。

16.权利要求14的系统，包括一个遗传算法(122)，在其中考虑可能改善视频质量的有限数量的代表性候选解。

17.权利要求14的系统，包括一个遗传算法(122)，在其中考虑从前面现存的可能改善视频质量的候选解获得的候选解。

18.用于包括处理视频流的视频处理算法链(110)那种类型的视频处理系统(100)的一种方法，该方法包括以下步骤：

用优化单元(120)中的一个遗传算法(122)为所述至少一个视频处理算法的至少一个控制参数设置搜索优化解；

确定所述遗传算法(122)是否已经达到预定的收敛程度；

确定了遗传算法(122)已经达到所述预定收敛程度的时候，用所述优化单元(120)中的一个试探算法(124)来搜索局部最优解。

19.在视频显示单元上进行视频显示的信号，其中的信号是由处理接收到的视频信号的一个视频处理算法链(110)产生的，这个视频处理算法链(110)包括多个参数，其中的参数是由有遗传算法(122)和试探算法(124)的一个优化单元(120)进行优化的。

20.权利要求19的信号，其中的优化单元(120)通过利用遗传算法(122)搜索搜索空间，直到检测到预定的收敛程度，对所述参数进行优化，其中的试探算法(124)朝着局部最优解进行。

Images