[发明专利]一种联合考虑压缩和丢包损伤条件下的视频质量评价方法

权利要求书

1.一种联合考虑压缩和丢包损伤条件下的视频质量评价方法，其特征在于：包括以下步骤：

A、GLM模型的表达：

采用广义线性模型（GLM）来预测视频质量分数，该模型表达如式（1）所示：

              （1）

式中，y为要预测的质量分数，具体为VQM（Video Quality Metric）的绝对值或者差值，γ为常数项，x_j为特征因子， N代表特征因子的个数，β_j为各因子的系数值，γ和β_j（j=1…N）就是利用已获得的质量分数及相应的特征因子值来估计预测的项；

B、质量分数的获得：

B1.此处定义三个质量分数: VQM_A ，VQM_B和△VQM，以获得最终有效模型，VQM_A 表示某GOP经过压缩后没有任何丢包情况下的VQM分数，VQM_B 为压缩后同时有一个包丢失后的该GOP的VQM分数，同时定义△VQM= VQM_B –VQM_A，这个△VQM代表存在压缩编码损伤前提下，丢失一个包对该GOP质量产生的影响，其中VQM_B和△VQM是我们最为关注的两类分数，也是最终两个模型要预测的值；

B2.采用6个包含不同图像细节与运动情况的视频序列，每个序列以三种码率编码（200,300,400kbps），视频采用H.264 JM9.3编码器进行压缩，分辨率为CIF格式（352*288），每个GOP包含15帧，结构为IDR BBPBBPBBPBBPBB，同时采用该编码器缺省的码率控制算法，从而保证每帧量化参数是可变的,水平方向一行的宏块打成一个包，即一个宏块条代表一个包，对于CIF格式来说，每帧图像包含18个宏块条，即18个包,对每个GOP中的每一帧随机丢弃一个包，然后再进行解码，得到其质量评价分数，解码过程采用FFMPEG解码器，同时应用基于运动补偿的误码掩蔽算法（MCEC）；

以上过程针对每个视频序列的每个GOP进行，综合考虑6个视频、3种码率以及所有GOP，我们可以得到1800个有效的质量分数，即1800个VQM_B或1800个△VQM；

C、特征因子的选择：

C1.特征因子包括：

（1）、量化因子均值（MeanQP），即一个包（宏块条）内的所有宏块量化因子的均值；

（2）、误码传播长度（TMDR,Time Duration)，代表某GOP中一个包丢失可能影响的最大帧数，对I帧的包来说，丢包会产生误码传播，直至该图像组的最后一帧，即TMDR=15；对于B帧的包，丢包不会产生误码传播，故TMDR=1；而对于P帧，TMDR根据P帧在该GOP中的位置不同而取不同值（3-12）；

（3）、包大小（NAL_size）表示包的大小，以比特为单位；

（4）、包位置（DevFromCenter），代表宏块条距离图像中心的垂直位置；

（5）、残差能量（RSENGY），代表运动补偿后的残差能量，残差能量越大，图像细节越多，计算该宏块条的残差能量均值与最大值作为特征因子，即MeanRSENGY、MaxRSENGY；

（6）、运动相关特征， MeanMotX、MeanMotY分别代表一个包中水平与垂直运动矢量的均值，从而可以计算合成均值与方差作为特征因子：

MotM=；

VarM = VarMotX +VarMotY；

此处VarMotX，VarMotY分别代表水平与垂直方向的运动矢量方差值，MeanMotA和MaxMotA分别代表非零运动矢量相角的均值与最大值；

对于每个特征因子，针对步骤B中1800个丢包得到的质量分数，我们可以获得相应的1800个值，用于建立最终模型；

C2.特征因子分析与初选：验证上述特征因子是否全部有效，首先对每个特征因子单独建模，即利用步骤A中的GLM关系式，分别分析每个特征因子与VQMA，VQMB和△VQM的相关性及其系数，对于三种质量分数相关值同时小于5%时，去除这个特征因子，即DevFromCenter 和MeanMotY被去除；

D、建立最终模型：最终模型的确定需要在初选后的特征因子中选择最为有效的几个，从而得到最后的模型参数，

实现时采用Matlab函数“sequentialfs”进行特征因子选择，即

[inmodel,history] = sequentialfs(fun,x,y)   （2）

式中x代表所丢失的包对应的特征因子，y即为该包丢失后VQM得到的质量分数，具体过程为：把x和y的数据序列分为N个子序列，其中N-1个子序列作为训练序列，剩下的那个子序列作为测试序列，此过程重复N次，每次选择一个不同的子序列作为测试序列。