[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

说明书

技术领域

本发明涉及一种视频质量评价方法，特别是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。

背景技术

目前，随着压缩视频的广泛应用，人们对视频质量评价问题的关注也日益增加。针对压缩编码对视频质量所产生的损伤的客观评价方法，目前有很多模型公布，如结构相似方法SSIM、刚变差JND和感知失真矩阵（Perceptual Distortion Metric）方法等。而对于网络传输的视频，除了压缩所带来的损伤以外，视频包的丢失可能会对视频质量带来严重的影响，因此丢包条件下的视频质量评价也非常重要。S. Kanumuri，T.-L. Lin等提出了丢包条件下的针对不同压缩标准的视频质量评价模型，这些模型的建立都是基于主观评价得到的数据，其优点是数据可靠，但是却耗时耗力。

由于网络传输此时视频质量不仅存在压缩带来的质量损伤，同时也会由于网络拥塞等引起丢包情况，产生新的质量下降问题，因此联合考虑压缩和丢包所带来的损伤是很必要的。Liu等提出了一个基于JND模型的全参考算法，该算法是假定压缩与丢包所产生的影响是可线性加权的。而当存在压缩编码损伤的前提下每个视频包丢失对质量产生的影响，是一个值得研究的问题。VQM作为一种全参考视频质量评价方法，综合考虑了压缩编码与信道失真引起的质量损伤，并且与主观评价有着很高的相关性，目前已成为美国ANSI标准评价方法。因此本发明通过大量实验设计多种损伤，并计算对应的VQM质量分数，同时定义代表视频内容的特征因子，建立GLM模型。应用此模型就可以通过视频中提取的特征因子来预测VQM质量分数。

发明内容

本发明的目的是为了克服以上的不足，提供一种操作方便、省时省力、安全可靠的联合考虑压缩和丢包损伤条件下的视频质量评价方法。

本发明的目的通过以下技术方案来实现：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，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）是利用已获得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压缩后而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GOP的VQM分数，同时定义△VQM= VQM_B –VQM_A，这个△VQM差值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 BBPBB…，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；