CN105592312A

CN105592312A - 一种基于重构的无参考视频图像质量估计方法

Info

Publication number: CN105592312A
Application number: CN201510963193.5A
Authority: CN
Inventors: 邬震宇; 胡宏; 危鹏华; 谭畅; 余怀秦
Original assignee: University of Electronic Science and Technology of China
Current assignee: University of Electronic Science and Technology of China
Priority date: 2015-12-18
Filing date: 2015-12-18
Publication date: 2016-05-18
Anticipated expiration: 2035-12-18
Also published as: CN105592312B

Abstract

本发明属于视频图像信号处理领域，尤其涉及视频图像质量估计算法的改进与优化。一种基于重构的无参考视频图像质量估计方法，利用待测视频图像的空-频域特征重构原始图像的部分统计量，修正均方误差估计模型，大大减少图像复杂度和清晰度对误差估计模型准确度的影响；然后再重构待测视频图像区域各DCT子带零系数值；最后各DCT子带按零系数和非零系数两部份分别计算均方误差值，从而得到待测视频图像区域的峰值信噪比。本发明无需任何原始图像的信息和编码信息，完全独立于编解码算法，较现有算法能大大提高视频图像质量估计的准确度。

Description

一种基于重构的无参考视频图像质量估计方法

技术领域

本发明属于视频图像信号处理领域，尤其涉及视频图像质量估计算法的改进与优化。

背景技术

视频图像质量估计是计算待测图像质量的一个过程，其主要目的是解决视频图像质量评估问题。目前视频图像质量估计技术已经广泛应用于视频广播、视频点播、网络视频、视频监控、以及视频图像压缩处理和社交网络应用。如视频点播***中，服务器通过接收端对视频质量的评估反馈进行片源调整与编码参数调整，保证用户的收视效果；实时视频/图像通信应用中，发送端根据接收端的质量评估反馈实时调整、优化编码参数提高通信质量；编码器通过预测码后视频图像的质量，调整编码参数达到最优化参数选择。总而言之，视频图像质量估计技术早已深入到视频图像编码、通信与监控的各个应用领域，大到质量评估***控制编码器参数、通信带宽分配、存储设备分配等，小到作为编码器的一个质量预测模块用于最优块大小以及帧内/间预测模式选择等，其应用范围非常广。

视频图像质量估计技术根据有无参考图像可分为全参考质量估计、部分参考质量估计和无参考质量估计技术。全参考质量估计技术是计算待测图像与原始图像像素之间的均方误差和(MSE)并计算峰值信噪比(PSNR)来衡量待测图像的实际质量。该技术需要原始图像作为参考标准，适用范围最窄，仅适用于编码端或服务器端对发送的视频图像质量进行预测，主要用于编码压缩参数调整。部分参考质量估计技术是利用部分原始图像信息估计待测图像与原始图像像素之间的均方误差和(MSE)并计算峰值信噪比(PSNR)来估计待测图像的实际质量。该技术需要部分原始图像的信息作为参照，适用范围较全参考质量估计广，不仅适用于编码端或服务器端对发送的视频图像质量进行预测也可以用于接收端对已接收图像的质量估计。但是该技术必须传送部分原始视频图像数据，势必突增大量数据传输，占据更多带宽或需增设另一条专用传输链路，不适合网络视频图像通讯以及传输带宽有限的视频图像通信。无参考质量估计技术是完全没有原始视频图像的任何原始信息去估计待测图像的质量。由于不需要原始视频图像的信息去估计质量，该技术的应用范围明显广于全参考和部分参考质量估计技术，可适用于在发送端、传输网络和接收终端计算图像质量而无需额外传送其他原始参考信息。无参考质量估计技术又分为基于比特流的算法与基于像素点的算法。其中，基于比特流的无参考质量估计技术是利用从编码流中提取出来的各种参数放入先验模型对待测视频图像的质量进行估计而无需将编码流完全解码得到待测图像的像素点值。基于像素的无参考质量估计技术是利用待测图像的像素值、DCT系数分布等特征建立质量计算模型从而估计待测图像的质量，无需编码流中提取出来的任何参数。

无参考质量估计主要通过建立DCT系数分布模型，再通过待测图像的DCT系数值估计得到峰值信噪比(PSNR)。因此，DCT系数分布模型的准确性成为无参考质量估计误差大小的关键所在。根据统计学理论，样本的均方误差可以用样本值的分布特征通过公式

ϵ^{2} = {&Integral;}_{- \infty}^{+ \infty} f_{X} (x | X) {(X - x)}^{2} d x = \frac{{&Integral;}_{- \infty}^{+ \infty} f_{X} (x) {(X - x)}^{2} d x}{{&Integral;}_{- \infty}^{+ \infty} f_{X} (x) d x}

得到，其中，f_X(x)为DCT系数概率分布函数，常用Laplace分布或Cauchy分布来近似，Laplace分布函数为Cauchy分布函数为计算得到均方误差(MSE)以后通过计算峰值信噪比，其中，n表示每个像素的比特数。

但是，DCT系数分布模型的两个主要缺点严重影响了估计的准确性：

Laplace分布或Cauchy分布都仅仅是图像DCT系数概率分布函数的近似，其准确性因图像内容复杂程度和图像清晰度不同而上下波动时常出现高达5～6dB的PSNR估计误差。

在视频图像清晰度较低(通常在大量化步长)情况下，其DCT系数的零系数比例将大大增加，甚至部分DCT变换子带系数全部为零。模型(1)在此情况下的误差估计将失效，因而常用量化步长和失真上限来估计其误差，这样将过高估计失真误差而导致待测图像质量估计大大偏离真实值。

发明内容

本发明的目的在于针对现有技术的不足，提供一种基于重构的无参考视频图像质量估计方法，该方法利用重构技术最大限度恢复原始视频图像的统计特征，修正误差估计模型弥补常规算法的不足，不需要任何编码参数和原始图像信息，完全独立于编解码器，能较常规方法大幅度提升质量估计的准确性。

本发明的技术方案是：

利用待测视频图像的空-频域特征重构原始图像的部分统计量，修正均方误差估计模型，大大减少图像复杂度和清晰度对误差估计模型准确度的影响；然后再重构待测视频图像各子带零DCT系数值；最后各DCT子带按零系数和非零系数两部份分别计算均方误差值，从而得到待测视频图像的峰值信噪比。

一种基于重构的无参考视频图像质量估计方法，具体步骤如下：

S1、将视频图像分成若干区域，以便逐一处理，当前处理区域为待测视频图像区域。对待测视频图像区域作N×N点DCT变换得到K×N×N个DCT系数，将该待测视频图像区域的所有DCT系数组合成N×N个子带，其中，N为DCT变换大小，4≤N≤16且为正偶数，NT为该区域总像素数；

S2、根据公式估计S1所述待测视频图像区域的量化步长，其中，X_l表示待测视频图像区域中的第l个DCT系数值，Qs为量化步长，l＝1,2,3,...,K×N×N；

S3、统计S1所述N×N个子带重构为的概率，记为计算各子带的调制参数根据所述R_k计算各子带修正参数其中，为S1所述待测区域的最大重构值，为第k个子带DCT系数的方向角，表示最高子带的非零系数比例，ρ₁代表最低子带非零系数比例，φ_k表示第k个子带归一化的平均DCT系数值，j为子带中第j个重构值的序号，表示第k个子带重构为的概率，表示X_j的重构值k＝1,2,3,...,N×N。

S4、计算各子带非零系数的均方误差值

\begin{matrix} ϵ_{k}^{2} = \underset{j}{Σ} (C_{k} ({\hat{X}}_{j}) γ_{k} Q s + C_{k} ({\hat{X}}_{k}) ({\hat{X}}_{j}^{2} + γ_{k}) \arctan \frac{{\hat{X}}_{j} + α Q s}{γ_{k}} \\ - C_{k} ({\hat{X}}_{k}) ({\hat{X}}_{j}^{2} + γ_{k}) \arctan \frac{{\hat{X}}_{j} - (1 - α) Q s}{γ_{k}} \\ + C_{k} ({\hat{X}}_{k}) γ_{k} {\hat{X}}_{j} \log (\frac{{({\hat{X}}_{j} - (1 - α) Q s)}^{2} + γ_{k}^{2}}{{({\hat{X}}_{j} + α Q s)}^{2} + γ_{k}^{2}})) \end{matrix},

其中，

γ_{k} = \frac{α \cdot Q S}{t a n \frac{{πP}_{0}}{2}},

P₀为各子带零系数的比例，为第k个子带重构为的系数调制修正参数，α为量化盲区控制参数经验值；

S5、用重构法估计各子带零系数的均方误差值，具体步骤如下：

S51、对待测视频图像区域进行下采样直至DCT系数零系数比例减少率小于Φ则转入S52，其中，Φ为经验值；

S52、对S51所述进行下采样的待测视频图像区域进行DCT变换，计算各个子带系数值在0～αQs之间的概率，记为作为待测图像区域各子带零系数在0～αQs之间的重构概率，t∈(0,αQs)；

S53、根据S52所述计算各子带的零系数误差值其中，M表示待测图像区域DCT变换块的总个数；

S6、根据公式计算第m待测视频图像区域的均方误差(MeanSquareError，MSE)；

S7、对S1所述剩下区域进行遍历操作，重复S1-S6直到所有视频图像区域估计完毕后求得整幅图像的代入得到客观质量评价PSNR值，其中，n为每个象素的比特数。

进一步地，S51所述Φ＝10％。

进一步地，S51所述对待测图像区域进行下采样已至最小宽高尺寸，则停止下采样，转入S52。

进一步地，S1所述N为4,8或16任意一个数。

进一步地，S4所述α＝0.5。

本发明的有益效果是：

挖掘待测视频图像的特征，重构原始图像的DCT系数分布以及各个子带非零系数重构值在之间的概率，修正MSE估计模型，重构各子带零系数的逼近值，最终实现无参考视频图像质量的更准确估计。本发明无需任何原始图像的信息和编码信息，完全独立于编解码算法，较现有算法能大大提高视频图像质量估计的准确度。

附图说明

图1为本发明***框图。

具体实施方式

下面结合实施例和附图，详细说明本发明的技术方案。

实施例、

如图1所示，将整幅视频图像看做一个待测视频图像区域，则具体步骤如下：

S1、对待测视频图像作N×N点DCT变换，再将整幅视频图像的DCT系数组合成N×N个子带，N＝8。

S2、根据公式估计量化步长，式中X_k表示待测图像中的任意DCT系数值。

S3、统计S1所述N×N个子带重构为的概率，记为

计算各子带的调制参数

计算各子带修正参数

\begin{matrix} C_{k} ({\hat{X}}_{j}) = ρ_{k} ({\hat{X}}_{j}) R_{k}, & {\hat{X}}_{J} = r o u n d (\frac{\max_{i} (X_{i})}{Q s}) \cdot Q s . \end{matrix}

其中，为第k子带DCT系数的方向角，表示最高子带的非零系数比例，ρ₁代表最低子带非零系数比例，φ_k表示第k子带归一化的平均DCT系数值。

S4、按公式

\begin{matrix} ϵ_{k}^{2} = \underset{j}{Σ} (C_{k} ({\hat{X}}_{j}) γ_{k} Q s + C_{k} ({\hat{X}}_{k}) ({\hat{X}}_{j}^{2} + γ_{k}) \arctan \frac{{\hat{X}}_{j} + α Q s}{γ_{k}} \\ - C_{k} ({\hat{X}}_{k}) ({\hat{X}}_{j}^{2} + γ_{k}) \arctan \frac{{\hat{X}}_{j} - (1 - α) Q s}{γ_{k}} \\ + C_{k} ({\hat{X}}_{k}) γ_{k} {\hat{X}}_{j} \log (\frac{{({\hat{X}}_{j} - (1 - α) Q s)}^{2} + γ_{k}^{2}}{{({\hat{X}}_{j} + α Q s)}^{2} + γ_{k}^{2}})) \end{matrix}

计算各子带非零系数的均方误差值，其中，P₀为各子带零系数的比例。

S5、对各子带的零系数误差值进行重构。具体步骤如下：

S51、对待测图像进行下采样直至DCT系数零系数比例减少率小于10％或图像下采样已至最小宽高尺寸，其中，所述最小宽高尺寸为44个像素。

S52、对下采样图像进行DCT变换，并计算各个子带系数值在0～αQs之间的概率，记为

S53、按计算各子带的零系数误差值其中，M表示整幅图像DCT变换块的总个数。

S6、按公式计算整体均方误差(MSE)，后代入公式得到客观质量评价PSNR值。

S7、输入CIF(176×144)待测视频图像，进行质量估计。如表1所示，几种无参考质量估计方法客观测试准确度比较，本发明较Eden和TBrandao均有2dB以上的准确度提高。

表1

Claims

1.一种基于重构的无参考视频图像质量估计方法，其特征在于，包括如下步骤：

S1、将视频图像分成若干区域，当前处理区域为待测视频图像区域，对待测视频图像区域作N×N点DCT变换得到K×N×N个DCT系数，将所述待测视频图像区域的所有DCT系数组合成N×N个子带，其中，N为DCT变换大小，4≤N≤16且为正偶数，NT为该区域总像素数；

S3、统计S1所述N×N个子带重构为的概率，记为计算各子带的调制参数根据所述R_k计算各子带修正参数其中，为S1所述待测区域的最大重构值，为第k个子带DCT系数的方向角，表示最高子带的非零系数比例，ρ₁代表最低子带非零系数比例，φ_k表示第k个子带归一化的平均DCT系数值，j为子带中第j个重构值的序号，表示第k个子带重构为的概率，表示X_j的重构值k＝1,2,3,...,N×N,

S4、计算各子带非零系数的均方误差值

\begin{matrix} ϵ_{k}^{2} = \underset{j}{Σ} (C_{k} ({\hat{X}}_{j}) γ_{k} Q s + C_{k} ({\hat{X}}_{k}) ({\hat{X}}_{j}^{2} + γ_{k}) \arctan \frac{{\hat{X}}_{j} + α Q s}{γ_{k}} \\ - C_{k} ({\hat{X}}_{k}) ({\hat{X}}_{j}^{2} + γ_{k}) \arctan \frac{{\hat{X}}_{j} - (1 - α) Q s}{γ_{k}} \\ + C_{k} ({\hat{X}}_{k}) γ_{k} {\hat{X}}_{j} \log (\frac{{({\hat{X}}_{j} - (1 - α) Q s)}^{2} + γ_{k}^{2}}{{({\hat{X}}_{j} + α Q s)}^{2} + γ_{k}^{2}})) \end{matrix},

其中，

γ_{k} = \frac{α \cdot Q s}{t a n \frac{{πP}_{0}}{2}},

2.根据权利要求1所述的一种基于重构的无参考视频图像质量估计方法，其特征在于：S51所述Φ＝10％。

3.根据权利要求1所述的一种基于重构的无参考视频图像质量估计方法，其特征在于：S51所述对待测图像区域进行下采样已至最小宽高尺寸，则停止下采样，转入S52。

4.根据权利要求1所述的一种基于重构的无参考视频图像质量估计方法，其特征在于：S51所述图像下采样最小宽高尺寸为44个像素。

5.根据权利要求1所述的一种基于重构的无参考视频图像质量估计方法，其特征在于：S52所述用下采样技术重构待测图像区域各子带零系数在0～αQs之间的概率

6.根据权利要求1所述的一种基于重构的无参考视频图像质量估计方法，其特征在于：S4所述α＝0.5。