视频质量.docxVIP

目前视频质量的评价算法主要有2种，主观评价法和客观评价法。 根据各算法所引用的源素材多少，可把视频质量客观评价分为3类：全参考评价体系、部分参考评价体系、无参考评价体系。 全参考评价体系：要求占有完整的源素材信息，是目前客观评价3大体系中发展较为成熟的部分，其现状代表当前客观评价技术的最高水平。 1. 基于全像素失真统计的评价方法： 以统计理论为基础，逐帧、逐像素比较参考源和测试源的数据差异。通过获得原数据和待测数据间的总体误码累计，体现像素噪声层面上的绝对误码率，从而反映视频质量。该类评价方法能敏感捕获两端视频在像素层面上的细微失真，具有很高的敏感性。此为，其数学方法简单，物理含义清晰，是目前应用最广泛的评价方法。但它们都是从整体上反映原始图像和恢复图像像素层面上的差别，其评价机制无法体现出视频图像数据所承载的不同于一般数据的内容信息，常造成评价结果与主观感受相偏离，并不能较好满足客观评价的应用需求。 该类评价方法的主要代表有：PSNR和MSE等。 其中，Xi和Xi，分别为原始与重建图像中对应的像素值，N2为N× 其中MN为图像大小，Qmn和rmn分别代表原始图像和失真图像在点(m，n)处的像素值。图为 2．基于人眼视觉系统(HVS)的评价方法。 人眼自身的“生理特点”和人关注内容的“心理特点”都对绝对误码效果产生不同程度的掩蔽效果，使得图像质量好坏的理解并不仅仅依赖绝对误码损耗。当前，基于HVS的评价方法主要可划分成以下2类主流算法模型：“基于视觉感知的算法模型”和“基于视觉兴趣加权的算法模型”。 2.1 基于视觉感知的算法模型。 人眼“生理特性”主要有：视觉非线性(Weber定律)、视觉灵敏度差异、视觉多通道和掩盖效应等。利用这些特性，通过模拟视觉感知，将绝对差值映射成能被人眼觉察的JND(Just noticeable difference)单位。如差错高于视觉的敏感门限，则表示所产生的绝对误码可被察觉；否则差错不足以引起人眼感知，可忽略不计。 当前的视觉感知算法则需综合多方面视觉感知能力，如根据所研究视频图像的特点（静止或运动、黑白或彩色等）模拟人眼对（空、时、色域等的）各种失真总体上的差错感知能力。Teo等针对视觉掩蔽现象的神经系统响应进行增益控制模拟，仿生HVS的视觉感知机制，其结构如图A所示。在输入端，被提取的源图像和参考图像的亮度分量经过后续时域滤波器处理，模拟人眼对连续序列的响应。研究表明HVS的时域响应机制既有瞬态(带通)的，也有稳态(低通)的。 总而言之，基于HVS视觉感知的算法模型因综合模拟了人眼的各项特性，具有较好的评价结果，但其算法实现相对复杂，运算量较大而难以实际应用。此外，目前对HVS机制的认知有限，算法模型不能对所有场景都具有较好的主观相似性仍需继续深入研究。 2.2 基于视觉兴趣加权的算法模型。 目前，人眼感兴趣区域(Region of Interest，ROI)判别思路主要有：域变换(小波或DCT)及边缘滤波两种思路。域变换(小波或DCT)后所得的子带与HVS兴趣特性非常近似，可根据特点对较重要的域失真给以大的加权系数体现；边缘滤波(如Sobel等)可有效提取人眼较敏感的区域信息，通过合理选择滤波的阈值门限，亦可达到兴趣区的有效划分。权值大小选择则需根据实测修正，不断总结并选择合适的经验权。总体上看，基于ROI加权的算法模型在如何合理划分兴趣域及如何调整权值等的关键技术上还有待进一步研究。 2.3 基于图像理解和模糊处理的评价方法。 应用图像理解技术，先对视频图像进行分层或分割预处理；其后提取待测序列中相关的客观特征参数，并根据模糊处理理论选择事先存放于场景库中合适的特征参数比对归类；最后，用场景中的先验加权值修正待测序列的拟和系数，推导评价分。 其主要代表模型有两类：分层模型和分割模型。分层算法模型主要如Hamada等提出的三层噪声分层算法，该算法模型认为人对图像理解不是一次性看清，而只是看到其中注视点附近的一个点域，并依赖这个点附近一些混在纹理结构中噪声的程度和特点，来识别这个点域的纹理结构和质量，由此，把图像划分成噪声层、纹理层和目标层，针对每个层特点进行加权修正；分割算法模型主要有Pessoa等提出的分割算法模型,它把图像按其表达的内容,分割成平坦区、纹理区、边缘区，为每个区计算一套客观参数，然后把客观参数映射到已得到的主观评价结果的相关场景库中，最后推演出测试序列的分数。 部分参考评价体系：部分参考客观评价体系则不需要完整的源视频，而是先提取能体现“源视频”性质的“源视频特征”，并把它和“视频数据”一起传输，在接收端再将它们分离，按相同的方法从“宿视频数据”中提取“宿视频特征”，并与接收到的“源视频特征”比对，找出差异。获得视频传输的劣化质量，其参考结构框图见图 部