專利名稱：一種視頻質(zhì)量評估方法
技術(shù)領(lǐng)域：
本發(fā)明涉及多媒體通信領(lǐng)域，具體涉及一種對視頻的通信質(zhì)量進(jìn)行處理的方法。
背景技術(shù)：
隨著多媒體信息時代的到來，各類視頻處理和視頻通信技術(shù)層出不窮，因而，視頻質(zhì)量評估技術(shù)顯得日益重要。
視頻質(zhì)量評估在視頻壓縮、處理以及視頻通信等領(lǐng)域有著非常重要的作用，如實時或非實時的視頻系統(tǒng)性能和各種視頻傳輸信道的服務(wù)質(zhì)量QoS(quality of service)最終是通過視頻質(zhì)量反應(yīng)出來的，并且可以通過視頻質(zhì)量來調(diào)節(jié)編解碼器或信道的參數(shù)，以保證視頻質(zhì)量在人們可接受的范圍內(nèi)；再如視頻質(zhì)量能夠?qū)Ω鞣N不同編解碼器輸出的視頻圖像給出易于理解的量度，便于編解碼器的性能設(shè)計、評估和優(yōu)化，從而設(shè)計、優(yōu)化出符合人的視覺模型的圖形圖像顯示系統(tǒng)；同時，視頻質(zhì)量評估對于視頻通信設(shè)備制造商和電信運(yùn)營商也有著非常重要的意義，對于視頻通信設(shè)備制造商而言，市場競爭日益激烈，客戶在項目招標(biāo)中，對于視頻通信設(shè)備性能的要求日益提高，如果設(shè)備商能夠提供出其視頻通信設(shè)備的有說服力的視頻質(zhì)量評估結(jié)果，對于其產(chǎn)品的銷售將會有很大推動作用；對于電信運(yùn)營商而言，視頻業(yè)務(wù)屬于新型業(yè)務(wù)，視頻質(zhì)量的評估數(shù)據(jù)可以有利于其業(yè)務(wù)推廣宣傳，客戶滿意度調(diào)查等。對于一般客戶來說，在不了解復(fù)雜技術(shù)的情況下，視頻質(zhì)量評估結(jié)果對其決定有著重要的影響。另外，利用視頻質(zhì)量評估還能夠?qū)σ曨l通信設(shè)備進(jìn)行實時監(jiān)控，當(dāng)檢測到視頻通信設(shè)備輸出的視頻質(zhì)量長時間處于不正常狀態(tài)時，就可以判斷是視頻通信設(shè)備或者網(wǎng)絡(luò)出了問題，從而起到問題定位、故障診斷等作用。
視頻質(zhì)量評估包括主觀視頻質(zhì)量評估和客觀視頻質(zhì)量評估兩大類。
主觀視頻質(zhì)量評估依賴人類測試者(Human Test Subject)的參與，評估結(jié)果可靠，但是，由于該方法對于人類測試者有嚴(yán)格的要求，且過程復(fù)雜，所以，主觀視頻質(zhì)量評估的方法難于普遍應(yīng)用，特別是在評估有實時性要求的應(yīng)用環(huán)境中，更不適于應(yīng)用。
客觀視頻質(zhì)量評估采用定量的方法測量視頻圖像的質(zhì)量，并通過處理器自動計算實現(xiàn)，效率高，無需人工參與。但是，目前的客觀視頻質(zhì)量評估方法都存在一些致命的問題，如客觀視頻質(zhì)量評估的結(jié)果和主觀視頻質(zhì)量評估的結(jié)果之間的關(guān)系不一致，比如客觀視頻質(zhì)量評估結(jié)果高的視頻序列，其主觀視頻評估結(jié)果不一定高，反之亦然。另外，兩幅主觀視頻質(zhì)量評估結(jié)果相近的視頻圖像，其客觀視頻質(zhì)量評估結(jié)果可能相差很多。
因此，解決視頻質(zhì)量評估方法普遍應(yīng)用問題的正確途徑應(yīng)該是開發(fā)一類客觀質(zhì)量評估方法，要求簡單，實現(xiàn)容易，效率高，自動執(zhí)行，最為重要的是，其視頻質(zhì)量評估結(jié)果和人類對于視頻的主觀質(zhì)量感覺比較接近。這里的“接近”應(yīng)該可以從統(tǒng)計學(xué)意義上進(jìn)行基于不同數(shù)學(xué)模型和指標(biāo)的衡量。那么，采用這類客觀質(zhì)量評估方法，就可以給出接近人類主觀感覺的結(jié)果。
目前，客觀視頻質(zhì)量評估的方法主要包括三種即需要完整原始視頻序列的全參考模型(Full Reference Model)的視頻質(zhì)量評估方法、只需要原始視頻序列部分統(tǒng)計特征的部分參考模型(Partial Reference Model)的視頻質(zhì)量評估方法和不需要原始視頻序列的任何信息的無參考模型(Referenceless Model)的視頻質(zhì)量評估方法。
在實際應(yīng)用中，由于無法獲得原始視頻序列等原因，使全參考模塊和部分參考模塊的客觀視頻質(zhì)量評估方法無法得到廣泛應(yīng)用，而無參考模型的視頻質(zhì)量評估方法將成為視頻質(zhì)量評估的發(fā)展方向。
目前，無參考模型的視頻質(zhì)量評估方法一般是根據(jù)視頻序列中某些特殊失真類型特性的失真程度來實現(xiàn)的，具體實現(xiàn)方法主要包括如下三種方法一、根據(jù)MPEG(活動圖像專家組)等壓縮視頻碼流中的量化系數(shù)預(yù)測壓縮視頻的峰值信噪比來評估視頻質(zhì)量時，由于峰值信噪比是一種典型的客觀質(zhì)量指標(biāo)，而該指標(biāo)和主觀視頻質(zhì)量評估之間的一致性較低，因此，該方法的適用范圍具有局限性。
方法二、如附圖1所示，針對能夠反映視頻質(zhì)量的特征，分別提出受測視頻的各種特征值，如方塊效應(yīng)(blocking artifacts)、震蕩效應(yīng)(ringing artifacts)、鉗位(clipping)、噪聲(noise)、對比度(contrast)以及邊緣陡削(sharpness)等，然后聯(lián)合各種不同特征的失真程度評估受測視頻質(zhì)量。
方塊效應(yīng)是指圖像內(nèi)塊邊界的不連續(xù)性(Discontinuity)，這種不連續(xù)性是由相鄰塊在編碼中相互獨(dú)立的DCT(離散余玄變換)以及量化過程造成的。通過測量塊邊界的不連續(xù)性能夠表示方塊效應(yīng)的嚴(yán)重程度。方塊效應(yīng)是基于塊DCT壓縮算法如MPEG1、MPEG2、MPEG4、H.263等視頻的主要失真原因。
震蕩效應(yīng)是指失真圖像中高對比度邊緣處的抖動現(xiàn)象。通常利用圖像邊緣區(qū)域像素值的方差來測量震蕩效應(yīng)的嚴(yán)重程度。
鉗位是指圖像處理中像素值的截斷處理，如銳利增強(qiáng)技術(shù)會引起鉗位的出現(xiàn)，鉗位會引起高頻信息的丟失，從而導(dǎo)致混淆效應(yīng)。通?？梢酝ㄟ^測量像素值為最大和最小可能值的比例來度量鉗位。
噪聲是指圖像壓縮或處理中引起圖像空域或時域產(chǎn)生的一些隨機(jī)變化。通過測量圖像平滑區(qū)域的高頻分量可得到噪聲。
對比度是指圖像亮度信號的動態(tài)變化。對比度可以反映圖像中感興趣區(qū)域與背景區(qū)域亮度的變化。通?？衫脠D像像素值直方圖來計算圖像的對比度。
邊緣陡削是指圖像輪廓和紋理的清晰程度。通?？梢岳脠D像局部邊緣的峰態(tài)來計算邊緣陡削。
由于不同的視頻壓縮、處理算法會引起視頻的失真類型不同，所以，在利用該方法進(jìn)行視頻質(zhì)量評估時，關(guān)鍵在于如何聯(lián)合多個特征值來評價視頻質(zhì)量，如通過MPEG2編碼器生成的視頻，其中方塊效應(yīng)對視頻質(zhì)量起著非常主要的影響，而對于采用了平滑濾波算法的編碼器生成的視頻，塊邊界的不連續(xù)會得到很好的平滑，其方塊效應(yīng)就不能反映視頻質(zhì)量了。
由于不可能找到適合所有視頻的特征聯(lián)合方法，使該方法同樣不具有普遍適用性。
方法三、編碼前在原始視頻中嵌入一些標(biāo)記信息如水印等，通過解碼圖像時提取到的標(biāo)記信息的完整性來評價視頻質(zhì)量。通過水印評估視頻質(zhì)量方法的原理如附圖2所示。
圖2中，編碼端在原始視頻序列中嵌入水印圖像信息，解碼端根據(jù)提取出的水印圖像信息的損傷部位和損傷程度來預(yù)測視頻序列受量化、傳輸誤碼等影響而使視頻質(zhì)量下降的程度。
該方法必須在編碼前將水印圖像信息嵌入原始視頻序列中，并且必須知道水印的嵌入方法以及原始的水印圖像信息。對于沒有嵌入水印的視頻序列或者不知道水印嵌入方法及原始水印圖像信息，都無法進(jìn)行視頻質(zhì)量評估。另外，在原始視頻序列中嵌入水印會引起視頻質(zhì)量下降，為了進(jìn)行質(zhì)量評估而采用的視頻質(zhì)量評估方法自身降低了視頻質(zhì)量，這在邏輯上是錯誤的。
綜上所述，現(xiàn)有的視頻質(zhì)量評估方法中，主觀視頻質(zhì)量評估方法其評估結(jié)果可靠，但是具有適用性差、效率低等缺點(diǎn)；而客觀視頻質(zhì)量評估方法存在的最主要的問題是視頻質(zhì)量評估結(jié)果與主觀視頻評估結(jié)果差距大，另外，有的客觀視頻質(zhì)量評估方法還具有適用性差，視頻質(zhì)量評估方法本身降低視頻質(zhì)量等缺點(diǎn)。

發(fā)明內(nèi)容
本發(fā)明的目的在于，提供一種視頻質(zhì)量評估方法，以克服現(xiàn)有技術(shù)中存在的主觀視頻質(zhì)量評估適用性差、效率低的缺點(diǎn)。
為達(dá)到上述目的，本發(fā)明提供的技術(shù)方案包括一種視頻質(zhì)量評估方法，包括根據(jù)視頻序列的相鄰幀中預(yù)定區(qū)域的像素變化確定視頻序列的視頻質(zhì)量。
所述預(yù)定區(qū)域包括運(yùn)動物體區(qū)域。
所述方法進(jìn)一步包括a、確定視頻序列中各視頻幀的運(yùn)動向量場；b、根據(jù)所述各視頻幀的運(yùn)動向量場分別確定各視頻幀中運(yùn)動物體區(qū)域；c、分別確定所述各視頻幀中運(yùn)動物體區(qū)域與其前一幀中對應(yīng)區(qū)域的像素差值的平方均值；d、根據(jù)所述各像素的差值的平方均值確定視頻序列的視頻質(zhì)量。
所述步驟a進(jìn)一步包括a1、對視頻序列中的各視頻幀平滑濾波；a2、根據(jù)塊匹配算法分別確定所述平滑濾波后的各視頻幀的運(yùn)動向量場。
5、如權(quán)利要求4所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟a1中的平滑濾波包括二維高斯濾波。
所述步驟a2進(jìn)一步包括設(shè)定視頻序列的第n幀中以像素(a，b)為幾何中心的(2N1+1)×(2N1+1)區(qū)域的塊為fn′(x，y)(a-N1≤x≤a+N1，b-N1≤y≤b+N1)；在視頻序列的第n-1幀中以像素(a，b)為幾何中心的(2N2+1)×(2N2+1)區(qū)域fn-1′(m，n)(a-N2≤m≤a+N2，b-N2≤n≤b+N2)內(nèi)進(jìn)行運(yùn)動搜索，確定像素(a，b)的運(yùn)動向量(mvx，n(a，b)，mvy，n(a，b))為
(mvx,n(a,b),mvy,n(a,b))=argmin(N1-N2≤u,v≤N2-N1)(SAD(u,v))]]>=argmin(N1-N2≤u,v≤N2-N1)(Σk=-N1N1Σl=-N1N1|fn′(a+k,b+l)-fn-1′(a+k+u,b+l+v)|)]]>其中x、y、m、n、u、v表示像素的坐標(biāo)，且x、y、m、n、N1、N2為正整數(shù)，同時，N2＞N1；分別根據(jù)各視頻幀中各像素的運(yùn)動向量確定各視頻幀的視頻幀運(yùn)動向量場。
所述步驟a2進(jìn)一步包括將各視頻幀分別劃分為高度和寬度均為NW的若干個(2NW+1)×(2NW+1)的臨近區(qū)域；分別確定各視頻幀中各臨近區(qū)域的中心像素(a，b)的運(yùn)動向量(mvx，n(a，b)，mvy，n(a，b))為(mvx,n(a,b),mvy,n(a,b))=argmin(N1-N2≤u,v≤N2-N1)(SAD(u,v))]]>=argmin(N1-N2≤u,v≤N2-N1)(Σk=-N1N1Σl=-N1N1|fn′(a+k,b+l)-fn-1′(a+k+u,b+l+v)|)]]>其中fn′(x，y)(a-NW≤x≤a+NW，b-NW≤y≤b+NW)表示第n幀中的臨近區(qū)域，x、y、u、v表示像素的坐標(biāo)，且x、y、n、N1、N2為正整數(shù)，同時，N2＞N1；分別將所述各臨近區(qū)域的中心像素(a，b)的運(yùn)動向量作為各臨近區(qū)域中各像素的運(yùn)動向量；分別根據(jù)各視頻幀中各像素的運(yùn)動向量確定各視頻幀的運(yùn)動向量場。
8、如權(quán)利要求3所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟b進(jìn)一步包括b1、分別確定各視頻幀中的以像素(a，b)為中心的(2N3+1)×(2N3+1)區(qū)域內(nèi)運(yùn)動向量值的方差為
σmv,n2(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3((mvx,n(a+k,b+l)-mv‾x,n(a,b)))2+]]>(mvy,n(a+k,b+l)-mv‾y,n(a,b))2);]]>其中x、y表示像素的坐標(biāo)，x、y、N3、n為正整數(shù)；b2、分別確定各視頻幀中的以像素(a，b)為中心的(2N3+1)×(2N3+1)區(qū)域內(nèi)像素值的方差為σf,n2(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3(fn′(a+k,b+l)-fn′‾(a,b))2;]]>其中 為(2N3+1)×(2N3+1)區(qū)域內(nèi)像素值的均值，且fn′‾(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3f′n(a+k,b+l);]]>其中N3、n為正整數(shù)；b3、將視頻幀中運(yùn)動向量值的方差小于預(yù)定門限1、像素值的方差大于預(yù)定門限2且水平和垂直方向的運(yùn)動向量不為零的像素集合確定為運(yùn)動物體區(qū)域。
設(shè)定視頻序列的第n幀中像素(a，b)為運(yùn)動物體區(qū)域中的像素；且所述步驟c進(jìn)一步包括根據(jù)濾波后的第n幀的運(yùn)動向量場確定第n幀中以像素(a，b)為幾何中心的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于第n-1幀中的區(qū)域，并確定兩區(qū)域的像素差值的平方為Dn′(a,b)=Σk=-N4N4Σl=-N4N4(fn′(a+k,b+l)-fn-1′(a+k+mvx,n(a,b),b+l+mvy,n(a,b)))2;]]>其中x、y表示像素的坐標(biāo)，x、y、N4、n為正整數(shù)；且濾波后第n幀運(yùn)動物體區(qū)域中的各像素的(2N4+1)×(2N4+1)對應(yīng)于第n-1幀中的區(qū)域的像素差值的平方均值為
Dn′‾=1NΣ(x,y)∈InDn′(x,y);]]>其中x、y表示像素的坐標(biāo)，x、yn為正整數(shù)；根據(jù)濾波前的第n幀的視頻幀運(yùn)動向量場確定第n幀中以像素(a，b)為幾何中心的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于濾波前第n-1幀中的區(qū)域，并確定兩區(qū)域的像素差值的平方為Dn(a,b)=Σk=-N4N4Σl=-N4N4(fn(a+k,b+l)-fn-1(a+k+mvx,n(a+b),b+l+mvy,n(a,b)))2;]]>其中x、y表示像素的坐標(biāo)，x、y、N4、n為正整數(shù)；且濾波前的第n幀運(yùn)動物體區(qū)域中的各像素對應(yīng)的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于濾波前第n-1幀中的區(qū)域的像素差值的平方均值為Dn‾=1NΣ(x,y)∈InDn(x,y);]]>其中x、y表示像素的坐標(biāo)，x、y、n為正整數(shù)。
所述步驟d進(jìn)一步包括d1、確定視頻序列第n幀視頻質(zhì)量為Qn＝D′n·(α-(Dn-D′n)/D′n)；其中α為預(yù)定參數(shù)；d2、根據(jù)視頻序列中各視頻幀的視頻質(zhì)量均值確定視頻序列的視頻質(zhì)量。
所述步驟d1進(jìn)一步包括根據(jù)各視頻幀的圖像活動性分別確定其視頻質(zhì)量Qn’為Qn′＝Qn/(β+(max(An，γ))2/δ)；其中An為圖像的活動性，β、γ、δ為預(yù)定參數(shù)。
所述圖像的活動性An為An=|mvx,n(x,y)|‾+|mvy,n(x,y)|‾;]]>且所述α包括2.5，所述β包括2.5，所述γ包括5，所述δ包括30。
所述方法在步驟a之前還包括
確定視頻序列中包含圖像縮放的視頻幀，并采用縮放算法對其進(jìn)行縮放處理。
通過上述技術(shù)方案的描述可知，本發(fā)明充分考慮了相鄰幀中預(yù)定區(qū)域的圖像內(nèi)容的變化，尤其是運(yùn)動物體區(qū)域中像素的變化能夠充分反映視頻序列的主觀視頻質(zhì)量這個因素，通過相鄰幀如前一幀中運(yùn)動物體區(qū)域中像素變化來確定視頻序列的視頻質(zhì)量評估結(jié)果，使本發(fā)明的視頻質(zhì)量評估結(jié)果近似于主觀視頻質(zhì)量評估結(jié)果，而且通過以前一幀運(yùn)動物體區(qū)域中的像素進(jìn)行參照，使本發(fā)明的適用范圍不會受到限制；通過對視頻序列進(jìn)行平滑濾波，增強(qiáng)了視頻幀的運(yùn)動向量場的準(zhǔn)確性，從而增強(qiáng)了本發(fā)明的視頻質(zhì)量評估結(jié)果的準(zhǔn)確性；通過利用平滑濾波后相鄰幀中對應(yīng)區(qū)域的像素差值、原失真視頻序列相鄰幀中對應(yīng)區(qū)域的像素差值之間的關(guān)系來適應(yīng)不同編碼算法引起的不同的失真特征，通過采用塊匹配算法、縮放匹配算法確定視頻幀運(yùn)動向量場，通過采用圖像的活動性對視頻質(zhì)量評估結(jié)果進(jìn)行修正，提高了本發(fā)明的視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果的相似性；從而通過本發(fā)明提供的技術(shù)方案實現(xiàn)了提高客觀視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果的一致性、提高客觀視頻質(zhì)量評估方法的適應(yīng)性以及提高視頻質(zhì)量評估方法效率的目的。


圖1是現(xiàn)有技術(shù)的基于各種特征的失真程度評估受測視頻質(zhì)量的原理圖；圖2是現(xiàn)有技術(shù)的通過水印評估視頻質(zhì)量的原理圖；圖3是本發(fā)明的塊匹配算法搜索像素運(yùn)動向量示意圖；圖4是本發(fā)明的視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果的對應(yīng)分布示意圖。
具體實施例方式
客觀視頻質(zhì)量評估對人沒有要求，且具有易實現(xiàn)、可自動執(zhí)行、效率高等優(yōu)點(diǎn)。如何使客觀視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果比較接近，使客觀視頻質(zhì)量評估結(jié)果符合人對視頻的主觀質(zhì)量感覺，同時，使客觀視頻質(zhì)量評估的適用范圍不受限制，對客觀視頻質(zhì)量評估來說是非常重要的。
人們之所以能夠?qū)κд嬉曨l序列做出主觀視頻質(zhì)量評價，實際上依賴的是人對視頻信息的分析、理解和記憶等過程，而人對視頻信息的分析、理解、記憶等過程離不開人大腦存儲的視頻信息。因此，可以說主觀視頻質(zhì)量評估的過程并不是完全“無參考”的，它參考了人的大腦存儲的視頻信息。
視頻序列具有很強(qiáng)的時間相關(guān)性，且相鄰幀之間包含的內(nèi)容大部分變化較小。由于人類的視覺系統(tǒng)具有時間掩蓋效應(yīng)，如果相鄰幀之間圖像內(nèi)容的變化較大，則會造成主觀感知的視頻質(zhì)量下降，尤其是圖像失真引起的圖像內(nèi)容的變化對主觀視頻質(zhì)量影響較大。
由于視頻序列中相鄰幀中的圖像內(nèi)容的一致性，尤其是對于圖像內(nèi)運(yùn)動物體區(qū)域在相鄰幀中對應(yīng)像素的變化對人的主觀感覺影響很大，即對主觀視頻質(zhì)量評估結(jié)果的影響很大，因此，可以得出，相鄰幀中圖像內(nèi)容的變化、尤其是運(yùn)動物體區(qū)域中像素的變化能夠充分的體現(xiàn)視頻序列的主觀視頻質(zhì)量。
這樣，客觀視頻質(zhì)量評估中的無參考模型的視頻質(zhì)量評估方法如果參照主觀視頻質(zhì)量評估的方法來實現(xiàn)視頻質(zhì)量評估，就能夠得到符合人對視頻的主觀質(zhì)量感覺的、正確的視頻質(zhì)量評估結(jié)果，即得到與主觀視頻質(zhì)量評估結(jié)果接近的視頻質(zhì)量評估結(jié)果。
因此，本發(fā)明的核心是根據(jù)視頻序列的相鄰幀中預(yù)定區(qū)域的像素變化確定視頻序列的視頻質(zhì)量。
下面基于本發(fā)明的核心思想對本發(fā)明提供的技術(shù)方案做進(jìn)一步的描述。
本發(fā)明中的相鄰幀中的預(yù)定區(qū)域包括運(yùn)動物體區(qū)域。下面以具有高空間復(fù)雜度的運(yùn)動物體區(qū)域為例對本發(fā)明進(jìn)行說明。
本發(fā)明首先需要確定視頻序列的各視頻幀中具有高空間復(fù)雜度的運(yùn)動物體區(qū)域。確定具有高空間復(fù)雜度的運(yùn)動物體區(qū)域可以通過計算視頻幀中圖像的運(yùn)動向量場，然后，利用塊匹配算法來實現(xiàn)。具體實現(xiàn)過程如下設(shè)定視頻序列中每幀圖像的寬度為W，高度為H，且像素的行列位置用(x，y)來表示。其中x表示水平坐標(biāo)，也就是列位置，y表示垂直坐標(biāo)，也就是行位置。運(yùn)算符“*”表示離散卷積(Discrete Convolution)。
對于視頻序列中的所有視頻幀，從第一幀到最后一幀，本發(fā)明采用逐幀處理的方法來處理整個視頻序列。因此，下面只對某一幀如第n幀進(jìn)行描述。
由于視頻幀解碼后重構(gòu)圖像中的隨機(jī)噪聲會影響運(yùn)動向量場的準(zhǔn)確評估，因此，本發(fā)明首先需要對視頻序列的視頻幀進(jìn)行平滑濾波，如采用二維高斯濾波方法進(jìn)行平滑濾波。二維高斯濾波后的視頻幀可表示為fn′(x，y)＝fn(x，y)*G(x，y) 0≤x≤W-1，0≤y≤H-1(1)其中G(x，y)為二維高斯濾波器，fn(x，y)(0≤x≤W-1，0≤y≤H-1)表示第n幀失真圖像，fn′(x，y)(0≤x≤W-1，0≤y≤H-1)為濾波后的第n幀圖像，圖像的大小為W×H，并且G(x,y)=12πσ2exp(-x2+y22σ2)---(2)]]>其中σ2為高斯分布的方差，其大小決定濾波后圖像的平滑程度，σ2越大，則圖像的平滑程度越高。
經(jīng)過高斯濾波后，將第n幀圖像的前一幀圖像即第n-1幀圖像作為參考幀，利用塊匹配算法為第n幀圖像中的每個像素預(yù)測運(yùn)動向量，從而得到整幀圖像的運(yùn)動向量場(mvx，n(x，y)，mvy，n(x，y))(0≤x≤W-1，0≤y≤H-1)。
下面結(jié)合附圖3對本發(fā)明利用塊匹配算法獲取第n幀圖像的運(yùn)動向量場的方法進(jìn)行詳細(xì)說明。
在圖3中，(a)圖為視頻序列中的第n-1幀圖像，(b)圖為視頻序列中的第n幀圖像，像素(a，b)為第n幀圖像中的任一像素。
方法一、設(shè)定第n幀圖像中像素(a，b)是塊B的幾何中心，塊B可表示為fn′(x，y)(a-N1≤x≤a+N1，b-N1≤y≤b+N1)，其中N1為大于零的正整數(shù)。
在第n-1幀圖像中對應(yīng)于像素(a，b)為中心的、塊大小為(2N2+1)×(2N2+1)的區(qū)域MB中，尋找與塊B能夠最佳匹配的塊，且該最佳匹配塊與塊B的位移值即為像素(a，b)的運(yùn)動向量。其中MB可表示為fn-1′(m，n)(a-N2≤m≤a+N2，b-N2≤n≤b+N2)。
其中N2應(yīng)大于N1。
塊的匹配函數(shù)采用最小絕對差和SAD函數(shù)，則第n幀圖像中像素(a，b)的運(yùn)動向量(mvx，n(a，b)，mvy，n(a，b))為(mvx,n(a,b),mvy,n(a,b))=argmin(N1-N2≤u,v≤N2-N1)(SAD(u,v))]]>=argmin(N1-N2≤u,v≤N2-N1)(Σk=-N1N1Σl=-N1N1|fn′(a+k,b+l)-fn-1′(a+k+u,b+l+v)|)---(3)]]>其中x、y、m、n、u、v表示像素的坐標(biāo)，且x、y、m、n、N1、N2為正整數(shù)，同時，N2＞N1。
依照該方法可以計算出濾波后第n幀圖像中每個像素的運(yùn)動向量，然后，根據(jù)每個像素的運(yùn)動向量得到第n幀圖像的運(yùn)動向量場(mvx，n(x，y)，mvy，n(x，y))。
方法二、為方法一的一種減少運(yùn)算復(fù)雜度的改進(jìn)方法，即將濾波后第n幀圖像中像素(a，b)周圍較小區(qū)域內(nèi)的所有像素的運(yùn)動向量確定為像素(a，b)的運(yùn)動向量(mvx，n(a，b)，mvy，n(a，b))。
具體實現(xiàn)過程為用一個小的矩形區(qū)域表示像素(a，b)周圍較小的臨近區(qū)域，為此引進(jìn)參數(shù)NW，即臨近區(qū)域的高度和寬度，該臨近區(qū)域可表示為fn′(x，y)(a-NW≤x≤a+NW，b-NW≤y≤b+NW)。
在該臨近區(qū)域內(nèi)，不需要對圖像中的每個像素計算運(yùn)動向量，而只需要對于每個大小為(2NW+1)×(2NW+1)的矩形區(qū)域根據(jù)公式(3)獲得該區(qū)域中心像素(a，b)的運(yùn)動向量，然后用該運(yùn)動向量作為該臨近區(qū)域中每個像素的運(yùn)動向量即可。
若臨近區(qū)域從視頻幀中圖像的左上方開始劃分，如果W、H不是NW的整數(shù)倍，則圖像的右邊緣或者下邊緣可能需要將臨近區(qū)域縮小進(jìn)行處理。
依照該方法同樣可以計算出濾波后第n幀圖像中每個像素的運(yùn)動向量，然后，根據(jù)每個像素的運(yùn)動向量得到第n幀圖像的運(yùn)動向量場(mvx，n(x，y)，mvy，n(x，y))。
獲得了第n幀圖像的運(yùn)動向量場后，第n幀圖像中的具有高空間復(fù)雜度的運(yùn)動物體區(qū)域可以根據(jù)鄰近像素運(yùn)動向量的一致性來確定。
具體實現(xiàn)過程為計算第n幀圖像中以像素(a，b)為中心的(2N3+1)×(2N3+1)區(qū)域內(nèi)運(yùn)動向量值的方差。
σmv,n2(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3((mvx,n(a+k,b+l)-mv‾x,n(a,b))2+]]>(mvy,n(a+k,b+l)-mv‾y,n(a,b))2)---(4)]]>其中mvx，n(a，b)，mvy，n(a，b)分別表示運(yùn)動向量mvx，n(x，y)，mvy，n(x，y)在該區(qū)域的均值，即mv‾x,n(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3mvx,n(a+k,b+l)]]>mv‾y,n(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3mvy,n(a+k,b+l)]]>以像素(a，b)為中心的(2N3+1)×(2N3+1)區(qū)域的空間復(fù)雜度可通過該區(qū)域像素值的方差表示，σf,n2(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3(fn′(a+k,b+l)-fn′‾(a,b))2---(5)]]>其中 為該區(qū)域內(nèi)像素值的均值，即
fn′‾(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3f′n(a+k,b+l)]]>設(shè)定預(yù)定門限1為T1，預(yù)定門限2為T2，則第n幀圖像內(nèi)具有高空間復(fù)雜度的運(yùn)動物體區(qū)域內(nèi)的像素集合In定義為In={(x,y)|(σmv,n2(x,y)<T1)I(σf,n2(x,y)>T2)I(mv‾x,n(x,y)≠0)I(mv‾y,n(x,y)≠0)}.---(6)]]>其具體含義為所有其運(yùn)動向量方差達(dá)小于預(yù)定門限1T1，而其像素值方差大于預(yù)定門限2T2，且水平和垂直方向的運(yùn)動向量均不為零的那些像素的集合即為具有高空間復(fù)雜度的運(yùn)動物體區(qū)域。
在確定了第n幀圖像中的具有高空間復(fù)雜度的運(yùn)動物體區(qū)域后，可根據(jù)第n幀圖像中運(yùn)動物體區(qū)域與第n-1中對應(yīng)區(qū)域的像素差值的平方均值確定第n幀圖像的視頻質(zhì)量。
具體實現(xiàn)方法為根據(jù)濾波后的第n幀的視頻幀運(yùn)動向量場確定第n幀中以像素(a，b)為幾何中心的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于第n-1幀中的區(qū)域，并確定兩區(qū)域的像素差值的平方為Dn′(a,b)=Σk=-N4N4Σl=-N4N4(fn′(a+k,b+l)-fn-1′(a+k+mvx,n(a,b),b+l+mvy,n(a,b)))2---(7)]]>根據(jù)濾波前的第n幀的視頻幀運(yùn)動向量場確定第n幀中以像素(a，b)為幾何中心的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于第n-1幀中的區(qū)域，并確定兩區(qū)域的像素差值的平方為Dn(a,b)=Σk=-N4N4Σl=-N4N4(fn(a+k,b+l)-fn-1(a+k+mvx,n(a,b),b+l+mvy,n(a,b)))2---(8)]]>根據(jù)上述公式(7)、(8)分別對像素集In中的各像素計算以該像素為中心的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)的像素差值平方，并確定像素差值的平方均值為D‾n=1NΣ(x,y)∈InDn(x,y)---(9)]]>
D′‾n=1NΣ(x,y)∈InDn′(x,y)---(10)]]>在上述公式(9)、(10)中，N為像素集In中包含的像素個數(shù)。
為了適應(yīng)不同的編碼方法引起的失真有不同的特點(diǎn)，如采用幀內(nèi)編碼的重構(gòu)圖像通常隨機(jī)噪聲較大，雖然客觀的信噪比較低，但可能有較好的主觀質(zhì)量。而采用平滑后的重構(gòu)圖像比較平滑，有較高的信噪比但增加了圖像的模糊，所以第n幀圖像的視頻質(zhì)量為Qn＝D′n(α-(Dn-D'n)/D′n)(11)其中α為預(yù)定參數(shù)，可通過實驗確定，如α＝2.5。
由于人眼對快速運(yùn)動物體的失真有較大的忍耐能力，因此需要根據(jù)圖像的活動性對視頻質(zhì)量做修正。
圖像的活動性可以由圖像的平均運(yùn)動向量計算得到An=|mvx,n(x,y)|‾+|mvy,n(x,y)|‾]]>0≤x≤W-1，0≤y≤H-1 (12)將視頻質(zhì)量的評分修正為Qn′＝Qn/(β+(max(An，γ))2/δ)(13)其中β、γ、δ為預(yù)定參數(shù)，可通過實驗確定如β＝2.5，γ＝5，δ＝30等。
通過上述方法可以得到整個視頻序列的各個視頻幀的視頻質(zhì)量，通過對視頻序列的所有視頻幀的視頻質(zhì)量求平均值的方法可得到整個視頻質(zhì)量評估結(jié)果。
在上述實施例中為使含有圖像縮放的視頻幀的視頻質(zhì)量評估結(jié)果更加可靠，還可以首先對各視頻幀進(jìn)行縮放匹配算法，然后再確定各視頻序列幀的圖像運(yùn)動向量場，以避免視頻幀中圖像縮放影響圖像運(yùn)動向量場的準(zhǔn)確性。
下面以一個具體的受測視頻序列為例，對本發(fā)明的視頻質(zhì)量評估結(jié)果與主觀視頻評估結(jié)果的近似程度進(jìn)行說明。
受測視頻序列采用VQEG(視頻質(zhì)量專家組)全參考質(zhì)量評估第一階段實驗中使用的測試視頻序列，其中共包括9個視頻序列，具有144種不同情況，即625/50格式，序列2-10，HRCs為1-16，總共9個序列，且每個視頻序列針對16個不同HRCs值，因此，共有9×16＝144種不同情況。
按VQEG評價視頻質(zhì)量評估模型精度的方法中規(guī)定，評價視頻質(zhì)量評估方法的性能主要采用以下4個尺度來量化均方誤差RMSE(Root Mean SquareError)，Pearson相關(guān)系數(shù)，Spearman秩相關(guān)系數(shù)(Spearman rank order correlationcoefficient)，OR(Outlier Ratio)。
利用本發(fā)明的視頻質(zhì)量評估方法，得出的該模型中各性能參數(shù)如表1所示。
表1

從表1可以看出，本發(fā)明提出的無參考的客觀視頻質(zhì)量評估方法得到的客觀評分與主觀視頻質(zhì)量評估結(jié)果進(jìn)行比較，有較小的RMSE，反映了本發(fā)明具有較好的預(yù)測精度；有較大的pearson相關(guān)系數(shù)和Spearman秩相關(guān)系數(shù)，反映了本發(fā)明具有較好的預(yù)測單調(diào)性；有較小的OR，反映了本發(fā)明具有較好的預(yù)測一致性。
在受測視頻序列中由于視頻序列8(Horizontal scrolling 2)不屬于自然場景圖像，本發(fā)明對視頻序列8的視頻質(zhì)量評估好于主觀視頻質(zhì)量評估，使本發(fā)明的視頻質(zhì)量評估性能急劇下降。
在受測視頻序列中由于序列3(Harp)的圖像縮放影響了視頻幀運(yùn)動向量場的確定，從而影響了相鄰幀的圖像運(yùn)動物體區(qū)域預(yù)測的準(zhǔn)確性，使本發(fā)明的視頻質(zhì)量評估性能下降。
本發(fā)明如果首先對視頻序列采用縮放匹配算法，則可以提高本發(fā)明視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果的一致性。
對于自然場景失真的視頻序列如除視頻序列3和視頻序列8之外的視頻序列，本發(fā)明的視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果具有很好的一致性。
采用散布圖(scatter diagram/scattergraph)的方法表示本發(fā)明的視頻質(zhì)量評估結(jié)果和主觀視頻質(zhì)量評估結(jié)果之間的關(guān)系如附圖4所示。
在圖4中，水平坐標(biāo)u表示本發(fā)明的視頻質(zhì)量評估結(jié)果，垂直坐標(biāo)v表示主觀視頻質(zhì)量評估結(jié)果，對于不同的受測視頻序列的視頻指配評估結(jié)果應(yīng)分別對應(yīng)兩個值u，v，以(u，v)為坐標(biāo)的點(diǎn)在坐標(biāo)平面上對應(yīng)該視頻序列的主觀視頻質(zhì)量評估結(jié)果和本發(fā)明的視頻質(zhì)量評估結(jié)果，因此，可以把受測視頻序列各幀的視頻質(zhì)量評估結(jié)果都對應(yīng)成坐標(biāo)點(diǎn)。
這些坐標(biāo)點(diǎn)形成的集合，相對于直線u＝v的離散程度可以度量本發(fā)明的視頻質(zhì)量評估結(jié)果與主觀視頻評估結(jié)果的一致程度，即集合越集中于直線u＝v附近，則本發(fā)明的視頻質(zhì)量評估結(jié)果與主觀視頻評估結(jié)果的一致程度越高，反之，則越低。
圖4中的坐標(biāo)點(diǎn)不包括視頻序列3和視頻序列8的視頻質(zhì)量評估結(jié)果。
從圖4中可看出，本發(fā)明對視頻序列的評估結(jié)果與主觀視頻評估結(jié)果集中分布在視頻質(zhì)量直線u＝v附近，充分表明本發(fā)明的視頻質(zhì)量評估結(jié)果近似于主觀視頻評估結(jié)果。
雖然通過實施例描繪了本發(fā)明，本領(lǐng)域普通技術(shù)人員知道，本發(fā)明有許多變形和變化而不脫離本發(fā)明的精神，本發(fā)明的申請文件的權(quán)利要求包括這些變形和變化。
權(quán)利要求
1.一種視頻質(zhì)量評估方法，其特征在于，包括根據(jù)視頻序列的相鄰幀中預(yù)定區(qū)域的像素變化確定視頻序列的視頻質(zhì)量。
2.如權(quán)利要求1所述的一種視頻質(zhì)量評估方法，其特征在于，所述預(yù)定區(qū)域包括運(yùn)動物體區(qū)域。
3.如權(quán)利要求2所述的一種視頻質(zhì)量評估方法，其特征在于，所述方法具體包括如下步驟a、確定視頻序列中各視頻幀的運(yùn)動向量場；b、根據(jù)所述各視頻幀的運(yùn)動向量場分別確定各視頻幀中運(yùn)動物體區(qū)域；c、分別確定所述各視頻幀中運(yùn)動物體區(qū)域與其前一幀中對應(yīng)區(qū)域的像素差值的平方均值；d、根據(jù)所述各像素的差值的平方均值確定視頻序列的視頻質(zhì)量。
4.如權(quán)利要求3所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟a具體包括如下步驟a1、對視頻序列中的各視頻幀平滑濾波；a2、根據(jù)塊匹配算法分別確定所述平滑濾波后的各視頻幀的運(yùn)動向量場。
5.如權(quán)利要求4所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟a1中的平滑濾波包括二維高斯濾波。
6.如權(quán)利要求4所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟a2具體為設(shè)定視頻序列的第n幀中以像素(a，b)為幾何中心的(2N1+1)×(2N1+1)區(qū)域的塊為fn′(x，y)(a-N1≤x≤a+N1，b-N1≤y≤b+N1)；在視頻序列的第n-1幀中以像素(a，b)為幾何中心的(2N2+1)×(2N2+1)區(qū)域fn-1′(m，n)(a-N2≤m≤a+N2，b-N2≤n≤b+N2)內(nèi)進(jìn)行運(yùn)動搜索，確定像素(a，b)的運(yùn)動向量(mvx，n(a，b)，mvy，n(a，b))為(mvx,n(a,b),mvy,n(a,b))=argmin(N1-N2≤u,v≤N2-N1)(SAD(u,v))]]>=argmin(N1-N2≤u,v≤N2-N1)(Σk=-N1N1Σl=-N1N1|fn′(a+k,b+l)-fn-1′(a+k+u,b+l+v)|)]]>其中x、y、m、n、u、v表示像素的坐標(biāo)，且x、y、m、n、N1、N2為正整數(shù)，同時，N2＞N1；分別根據(jù)各視頻幀中各像素的運(yùn)動向量確定各視頻幀的視頻幀運(yùn)動向量場。
7.如權(quán)利要求4所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟a2具體為將各視頻幀分別劃分為高度和寬度均為NW的若干個(2NW+1)×(2NW+1)的臨近區(qū)域；分別確定各視頻幀中各臨近區(qū)域的中心像素(a，b)的運(yùn)動向量(mvx，n(a，b)，mvy，n(a，b))為(mvx,n(a,b),mvy,n(a,b))=argmin(N1-N2≤u,v≤N2-N1)(SAD(u,v))]]>=argmin(N1-N2≤u,v≤N2-N1)(Σk=-N1N1Σl=-N1N1|fn′(a+k,b+l)-fn-1′(a+k+u,b+l+v)|)]]>其中fn′(x，y)(a-NW≤x≤a+NW，b-NW≤y≤b+NW)表示第n幀中的臨近區(qū)域，x、y、u、v表示像素的坐標(biāo)，且x、y、n、N1、N2為正整數(shù)，同時，N2＞N1；分別將所述各臨近區(qū)域的中心像素(a，b)的運(yùn)動向量作為各臨近區(qū)域中各像素的運(yùn)動向量；分別根據(jù)各視頻幀中各像素的運(yùn)動向量確定各視頻幀的運(yùn)動向量場。
8.如權(quán)利要求3所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟b具體包括如下步驟b1、分別確定各視頻幀中的以像素(a，b)為中心的(2N3+1)×(2N3+1)區(qū)域內(nèi)運(yùn)動向量值的方差為σmv,n2(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3((mvx,n(a+k,b+l)-mv‾x,n(a,b))2+;]]>((mvy,n(a+k,b+l)-mv‾y,n(a,b))2)]]>其中x、y表示像素的坐標(biāo)，x、y、N3、n為正整數(shù)；b2、分別確定各視頻幀中的以像素(a，b)為中心的(2n3+1)×(2N3+1)區(qū)域內(nèi)像素值的方差為σf,n2(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3(fn′(a+k,b+l)-fn′‾(a,b))2;]]>其中 為(2N3+1)×(2N3+1)區(qū)域內(nèi)像素值的均值，且fn′‾(a,b)=1(2N3+1)2Σk=-N3N3Σl=-N3N3f′n(a+k,b+l);]]>其中N3、n為正整數(shù)；b3、將視頻幀中運(yùn)動向量值的方差小于預(yù)定門限1、像素值的方差大于預(yù)定門限2且水平和垂直方向的運(yùn)動向量不為零的像素集合確定為運(yùn)動物體區(qū)域。
9.如權(quán)利要求3所述的一種視頻質(zhì)量評估方法，其特征在于設(shè)定視頻序列的第n幀中像素(a，b)為運(yùn)動物體區(qū)域中的像素；且所述步驟c具體包括根據(jù)濾波后的第n幀的運(yùn)動向量場確定第n幀中以像素(a，b)為幾何中心的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于第n-1幀中的區(qū)域，并確定兩區(qū)域的像素差值的平方為Dn′(a,b)=Σk=-N4N4Σl=-N4N4(fn′(a+k,b+l)-fn-1′(a+k+mvx,n(a,b),b+l+mvy,n(a,b)))2;]]>其中x、y表示像素的坐標(biāo)，x、y、N4、n為正整數(shù)；且濾波后第n幀運(yùn)動物體區(qū)域中的各像素的(2N4+1)×(2N4+1)對應(yīng)于第n-1幀中的區(qū)域的像素差值的平方均值為D′n‾=1NΣ(x,y)∈InDn′(x,y);]]>其中x、y表示像素的坐標(biāo)，x、yn為正整數(shù)；根據(jù)濾波前的第n幀的視頻幀運(yùn)動向量場確定第n幀中以像素(a，b)為幾何中心的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于濾波前第n-1幀中的區(qū)域，并確定兩區(qū)域的像素差值的平方為Dn(a,b)=Σk=-N4N4Σl=-N4N4(fn(a+k,b+l)-fn-1(a+k+mvx,n(a,b),b+l+mvy,n(a,b)))2;]]>其中x、y表示像素的坐標(biāo)，x、y、N4、n為正整數(shù)；且濾波前的第n幀運(yùn)動物體區(qū)域中的各像素對應(yīng)的(2N4+1)×(2N4+1)區(qū)域?qū)?yīng)于濾波前第n-1幀中的區(qū)域的像素差值的平方均值為D‾n=1NΣ(x,y)∈InDn(x,y);]]>其中x、y表示像素的坐標(biāo)，x、y、n為正整數(shù)。
10.如權(quán)利要求9所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟d具體包括如下步驟d1、確定視頻序列第n幀視頻質(zhì)量為Qn=D′‾n·(α-(D‾n-D′‾n)/D′‾n);]]>其中α為預(yù)定參數(shù)；d2、根據(jù)視頻序列中各視頻幀的視頻質(zhì)量均值確定視頻序列的視頻質(zhì)量。
11.如權(quán)利要求10所述的一種視頻質(zhì)量評估方法，其特征在于，所述步驟d1具體為根據(jù)各視頻幀的圖像活動性分別確定其視頻質(zhì)量Qn’為Qn′＝Qn/(β+(max(An，γ))2/δ)；其中An為圖像的活動性，β、γ、δ為預(yù)定參數(shù)。
12.如權(quán)利要求11所述的一種視頻質(zhì)量評估方法，其特征在于，所述圖像的活動性An為An=|mvx,n(x,y)|‾+|mvy,n(x,y)|‾;]]>且所述α包括2.5，所述β包括2.5，所述γ包括5，所述δ包括30。
13.如權(quán)利要求3所述的一種視頻質(zhì)量評估方法，其特征在于，所述方法在步驟a之前還包括確定視頻序列中包含圖像縮放的視頻幀，并采用縮放算法對其進(jìn)行縮放處理。
全文摘要
本發(fā)明提供一種視頻質(zhì)量評估方法，其核心為根據(jù)視頻序列的相鄰幀中預(yù)定區(qū)域的像素變化確定視頻序列的視頻質(zhì)量。本發(fā)明充分考慮了視頻序列的相鄰幀中圖像內(nèi)容的變化、尤其是運(yùn)動物體區(qū)域中像素的時間變化能夠充分反映視頻序列的主觀視頻質(zhì)量這個因素，通過以相鄰幀如前一幀中運(yùn)動物體區(qū)域中的像素進(jìn)行參照，使本發(fā)明的視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果具有高度的一致性，使本發(fā)明的視頻質(zhì)量評估方法具有廣泛的適用范圍、且不需要人工參與；從而通過本發(fā)明提供的技術(shù)方案實現(xiàn)了提高客觀視頻質(zhì)量評估結(jié)果與主觀視頻質(zhì)量評估結(jié)果的一致性、提高客觀視頻質(zhì)量評估方法的適應(yīng)性以及提高視頻質(zhì)量評估方法效率的目的。
文檔編號H04N7/24GK1809175SQ20051000220
公開日2006年7月26日 申請日期2005年1月17日 優(yōu)先權(quán)日2005年1月17日
發(fā)明者羅忠, 王靜, 楊副正, 常義林, 萬帥 申請人:華為技術(shù)有限公司