一种基于人脑记忆模型的无参考视频质量评价方法技术

本发明专利技术公开了一种基于人脑记忆模型的无参考视频质量评价方法，包括：1)将一帧视频划分成宏块，根据每个宏块内像素的亮度值，计算宏块的复杂度；2)利用每个宏块的复杂度和量化系数，结合周围宏块的影响，得到宏块的质量评价值；3)基于人眼空间注意模型，结合整个视频的运动趋势，对不同位置的宏块赋予不同的权重，得到人眼注意力分布图；4)结合每个宏块的质量评价值和人眼注意力分布图，得到一帧视频的客观质量；5)以一个图像组为单位，结合人脑记忆模型，给出该段视频的客观质量。本发明专利技术方法简单，只需要待评价视频就能得到其客观质量，具有很高的灵活性，同时对各种不同的视频场景都能得到比较准确的评价结果，具有较好的普适性。

【技术实现步骤摘要】
一种基于人脑记忆模型的无参考视频质量评价方法
本专利技术属于视频质量评价
，具体涉及一种基于人脑记忆模型的无参考视频质量评价方法。
技术介绍
随着计算机与网络通信技术的飞速发展，人们对获取多媒体信息的需求日益旺盛。近年来，与视频相关的应用涵盖各个领域，如视频会议、视频监控和移动电视等。在这些应用中，视频信息在到达接收者之前都需要经过压缩和传输，而这些过程往往会造成视频质量损失。为了获得更好的主观效果，有必要对视频质量作出评价，根据结果调整编码器和传输信道的参数。视频的最终受体是人类的眼睛，人眼观察被认为是最精确的评价视频质量的方法。然而，由于视频的信息量非常大，依靠人工观察的主观方法对视频质量进行评价需要消耗大量的人力和时间，不适合大规模实际应用。因此，如何根据人眼视觉系统特性建立视频质量评价模型，在此基础上由计算机自动完成视频的质量评价，成为一个非常有意义的课题。视频客观质量评价方法(VideoObjectiveQualityAssessment)是指通过设计数学模型对视频进行智能化分析，并按设定的尺度对视频进行自动评分的客观评价方法。根据对原始视频的依赖程度，视频客观质量评价方法可以分为全参考型、部分参考型和无参考型三类。由于全参考型和部分参考型评价方法都需要额外的带宽来传输原始视频及相关信息，其实用价值非常有限。相比之下，无参考质量评价方法不需要依赖任何与原始视频相关的信息，直接根据待评价视频的信息计算视频质量，具有更好的灵活性和适应性，以及更广泛的应用价值。特别是在与网络多媒体相关的视频应用中，无参考视频客观质量评价在服务器质量检测(QualityofService,QoS)和终端质量体验(QualityofExperience,QoE)上面起到重要作用，根据视频质量评价反馈信息，视频服务器可以动态调整视频编码器参数和传输信道参数，以保证传输稳定性，提高接收端视频质量。另外，无参考视频客观质量评价可以取代人眼，公正地比较不同视频编解码器输出的视频质量，为视频接收端提供参考，做出最优选择。现有的视频质量评价方法虽然取得了一定的效果，形成了一些比较成熟的模型，如基于PSNR(峰值信噪比)和基于SSIM(结构相似性)的两种视频质量评价模型，但这两种模型仍然存在一些问题，如：没有考虑人脑对视频关注度随着时间而变化的因素；忽视了视频内容特征对视频质量的影响；准确度还有待提高。
技术实现思路
针对现有技术所存在的上述技术问题，本专利技术提供了一种基于人脑记忆模型的无参考视频质量评价方法，既能够达到较高的准确度，又能适应各种不同视频场景，而且不需要原始视频作为参考，实现灵活有效的视频质量评价。一种基于人脑记忆模型的无参考视频质量评价方法，包括如下步骤：(1)将待评价视频每帧图像分割成若干个宏块，进而根据像素的亮度值计算出每个宏块的复杂度Cblock；(2)根据所述的复杂度计算宏块的质量评价值Qblock；(3)基于人眼空间注意模型结合整个视频的运动趋势，为宏块赋予权重wblock；(4)根据所述的质量评价值Qblock和权重wblock，计算每帧图像的客观质量Qframe；(5)根据每帧图像的客观质量Qframe结合人脑记忆模型，计算出待评价视频中每个图像组的客观质量QGOP，进而计算出整段待评价视频的客观质量Q。所述的步骤(1)中根据以下算式计算宏块的复杂度Cblock：其中：N为宏块内像素的总个数，Pi为宏块内第i个像素的亮度值，Pavg为宏块内像素的平均亮度值。所述的步骤(2)中根据以下算式计算宏块的质量评价值Qblock：其中：q为宏块在进行视频压缩时所用到的量化系数，qmax为当前宏块及其周围八个宏块的量化系数最大值。所述的步骤(3)中根据以下关系式为每个宏块赋予不同的权重：其中：w1～w3均为给定的权重系数，d和h分别为图像的宽和高，l为宏块的中心像素至图像的中心像素之间的距离。进一步地，所述的权重系数w1＝0.8，w1＝0.5，w3＝0.2。所述的步骤(4)中根据以下算式计算每帧图像的客观质量Qframe：其中：Qblock(j)和wblock(j)分别为图像中第j个宏块的质量评价值和权重，M为图像中宏块的总个数。所述的步骤(5)中根据以下算式计算每个图像组的客观质量QGOP：其中：Qframe(t)为图像组中第t帧图像的客观质量，T为图像组的帧数，f(t)为图像组中第t帧图像距离关键帧的帧间隔，r为编码帧率，μ为给定的人脑记忆残留时间系数，c为给定的记忆模型参数。所述的步骤(5)中根据以下算式计算整段待评价视频的客观质量Q：其中：QGOP(k)为待评价视频中第k个图像组的客观质量，s(k)为待评价视频中第k个图像组的帧数，a和b均为给定的计算参数，K为待评价视频中图像组的个数。所述的图像组为当前关键帧(包括在内)至下一关键帧之间所有图像组成的集合。本专利技术方法的有益效果包括以下几点：(1)只需要待评价视频就可以得到视频质量评价结果，具有很好的灵活性和适应性。(2)评价结果准确度较高，符合人眼对视频的主观感知。(3)对各种不同场景的视频都能得到比较准确的评价结果，具有较好的普适性。附图说明图1为图像中心点定位示意图。图2为人脑记忆模型曲线图。具体实施方式为了更为具体地描述本专利技术，下面结合附图及具体实施方式对本专利技术的技术方案进行详细说明。本专利技术基于人脑记忆模型的无参考视频质量评价方法，包括以下步骤：(1)将一帧视频划分16×16的宏块，根据每个宏块内像素的亮度值，计算该宏块的复杂度。在视频压缩的过程中，量化是导致视频质量下降的最主要原因。但是，量化对视频中各个区域的影响程度是不一样的。一般来说，纹理较为复杂，内容较为丰富的区域，在相同的量化系数作用下，质量下降较多。因此，本专利技术将首先计算图像各个区域的复杂度，用来辅助分析该区域由于量化引起的质量下降程度。在视频压缩中，量化是以16×16的宏块为基本单位进行，因此，本专利技术以相同大小的区域为单位，计算图像的复杂度。图像的纹理和细节是通过小范围内像素点之间亮度值的差异体现出来的，纹理简单，内容单一的区域，像素点之间的亮度值差异较小；而纹理复杂，内容多样的区域内，像素点之间的亮度值差异较大。因此，本专利技术通过计算每个宏块内像素点亮度值的均方差，来本文档来自技高网...

【技术保护点】
一种基于人脑记忆模型的无参考视频质量评价方法，包括如下步骤：(1)将待评价视频每帧图像分割成若干个宏块，进而根据像素的亮度值计算出每个宏块的复杂度Cblock；(2)根据所述的复杂度计算宏块的质量评价值Qblock；(3)基于人眼空间注意模型结合整个视频的运动趋势，为宏块赋予权重wblock；(4)根据所述的质量评价值Qblock和权重wblock，计算每帧图像的客观质量Qframe；(5)根据每帧图像的客观质量Qframe结合人脑记忆模型，计算出待评价视频中每个图像组的客观质量QGOP，进而计算出整段待评价视频的客观质量Q。

【技术特征摘要】
1.一种基于人脑记忆模型的无参考视频质量评价方法，包括如下步骤：(1)将待评价视频每帧图像分割成若干个宏块，进而根据像素的亮度值通过以下算式计算出每个宏块的复杂度Cblock；其中：N为宏块内像素的总个数，Pi为宏块内第i个像素的亮度值，Pavg为宏块内像素的平均亮度值；(2)根据所述的复杂度通过以下算式计算宏块的质量评价值Qblock；Qblock＝Cblock×q×Rblock其中：q为宏块在进行视频压缩时所用到的量化系数，qmax为当前宏块及其周围八个宏块的量化系数最大值；(3)基于人眼空间注意模型结合整个视频的运动趋势，根据以下关系式为宏块赋予权重wblock；其中：w1～w3均为给定的权重系数，d和h分别为图像的宽和高，l为宏块的中心像素至图像的中心像素之间的距离；(4)根据所述的质量评价值Qblock和权重wblock，通过以下算式计算每帧图像的客观质量Qframe；

【专利技术属性】
技术研发人员：林翔宇，张华熊，
申请(专利权)人：浙江理工大学，
类型：发明
国别省市：浙江;33