JP2795147B2 - 画質評価装置 - Google Patents
画質評価装置Info
- Publication number
- JP2795147B2 JP2795147B2 JP32677793A JP32677793A JP2795147B2 JP 2795147 B2 JP2795147 B2 JP 2795147B2 JP 32677793 A JP32677793 A JP 32677793A JP 32677793 A JP32677793 A JP 32677793A JP 2795147 B2 JP2795147 B2 JP 2795147B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- image quality
- image data
- compression
- compressed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Lifetime
Links
Landscapes
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Facsimiles In General (AREA)
Description
【0001】
【産業上の利用分野】本発明は、画像処理方法、特に原
画像と比べて圧縮画像の画質を評価する方式と最適な圧
縮パラメータを決定する方式に関する。
画像と比べて圧縮画像の画質を評価する方式と最適な圧
縮パラメータを決定する方式に関する。
【0002】
【従来の技術】従来、原画像と圧縮画像の画質評価は、
画像間の色合いや輪郭などの目についた違いを検出する
といった主観的な評価を行っていた。しかし、このよう
な評価方式では、評価を行う観測者によって評価結果が
異なるため、多人数で画質の評価を行い、平均をとるな
どして画質の善し悪しを決定していた。
画像間の色合いや輪郭などの目についた違いを検出する
といった主観的な評価を行っていた。しかし、このよう
な評価方式では、評価を行う観測者によって評価結果が
異なるため、多人数で画質の評価を行い、平均をとるな
どして画質の善し悪しを決定していた。
【0003】また、最適な圧縮パラメータを決定する従
来の技術として、特開平3−053782号公報に記載
された、画像の統計的性質を学習すると別の画像の統計
的性質を再度学習せずに符号化を行う技術や、特開平3
−239069号公報に記載された、統計的性質が異な
る画像データが混在しても効率的に圧縮してデータ量を
低減する技術が知られている。
来の技術として、特開平3−053782号公報に記載
された、画像の統計的性質を学習すると別の画像の統計
的性質を再度学習せずに符号化を行う技術や、特開平3
−239069号公報に記載された、統計的性質が異な
る画像データが混在しても効率的に圧縮してデータ量を
低減する技術が知られている。
【0004】
【発明が解決しようとする課題】しかし、前述の評価方
式では、圧縮方式や圧縮パラメータなどを変更するたび
に、再度多人数で画質の評価を行い、主観評価で画質の
善し悪しを決定するため、作業効率が非常に悪いという
問題点があった。
式では、圧縮方式や圧縮パラメータなどを変更するたび
に、再度多人数で画質の評価を行い、主観評価で画質の
善し悪しを決定するため、作業効率が非常に悪いという
問題点があった。
【0005】また、圧縮パラメータを決定する方式で
は、圧縮率に観点をおいたものであり、画質に関するも
のではなかった。
は、圧縮率に観点をおいたものであり、画質に関するも
のではなかった。
【0006】
【課題を解決するための手段】前記問題点を解決するた
め、本発明の画質評価方式は、原画像と圧縮画像との差
分値を検出し、この差分値を用いて、誰が評価を行って
も同じ結果が得られる客観的な評価を行う。また、画質
が良いという結果が得られたときの圧縮パラメータをも
ちいて、画像の統計的性質を学習し、他の画像において
も画質の劣化を最低限にし、圧縮率を最大限にする圧縮
パラメータを決定する。これにより画質評価と画像圧縮
の作業効率を高める。
め、本発明の画質評価方式は、原画像と圧縮画像との差
分値を検出し、この差分値を用いて、誰が評価を行って
も同じ結果が得られる客観的な評価を行う。また、画質
が良いという結果が得られたときの圧縮パラメータをも
ちいて、画像の統計的性質を学習し、他の画像において
も画質の劣化を最低限にし、圧縮率を最大限にする圧縮
パラメータを決定する。これにより画質評価と画像圧縮
の作業効率を高める。
【0007】
【実施例】次に、本発明について実施例を挙げて説明す
る。
る。
【0008】図1は、本発明のシステム構成を示すブロ
ック図であり、映像出力装置1と、画像圧縮器2、画質
評価器3およびニューラルネットワーク4から成る画像
処理システム5と、外部記憶装置6とで構成される。
ック図であり、映像出力装置1と、画像圧縮器2、画質
評価器3およびニューラルネットワーク4から成る画像
処理システム5と、外部記憶装置6とで構成される。
【0009】図1において、原画像データは映像出力装
置1より画像処理システム5に入力される。画像圧縮器
2は、原画像データの圧縮を行い、圧縮画像データを生
成する。原画像データと圧縮画像データは画質評価器3
に入力され、画質の評価を行う。ニューラルネットワー
ク4は、原画像データを圧縮するときの圧縮パラメータ
を用いて、画像の統計的性質を学習する機能を有し、学
習が終了したニューラルネットワーク4を用いて、最適
な圧縮パラメータを生成する。原画像データや圧縮画像
データは外部記憶装置6に記憶される。
置1より画像処理システム5に入力される。画像圧縮器
2は、原画像データの圧縮を行い、圧縮画像データを生
成する。原画像データと圧縮画像データは画質評価器3
に入力され、画質の評価を行う。ニューラルネットワー
ク4は、原画像データを圧縮するときの圧縮パラメータ
を用いて、画像の統計的性質を学習する機能を有し、学
習が終了したニューラルネットワーク4を用いて、最適
な圧縮パラメータを生成する。原画像データや圧縮画像
データは外部記憶装置6に記憶される。
【0010】本発明で扱う画像のサイズやデータ形式は
特定しないが、例として160×120のサイズで、デ
ータ形式が8ビットのRGBデータの場合について以下
で説明する。
特定しないが、例として160×120のサイズで、デ
ータ形式が8ビットのRGBデータの場合について以下
で説明する。
【0011】同一座標において、原画像(RXY,GXY,
BXY)と圧縮画像(R′XY,G′XY,B′XY)との相違
(差分値)(ΔRXY,ΔGXY,ΔBXY)を式(1)〜
(3)を用いて求める。
BXY)と圧縮画像(R′XY,G′XY,B′XY)との相違
(差分値)(ΔRXY,ΔGXY,ΔBXY)を式(1)〜
(3)を用いて求める。
【0012】ΔRXY=|RXY−R′XY| (1) ΔGXY=|GXY−G′XY| (2) ΔBXY=|BXY−B′XY| (3) この差分値を画面全体における全ての座標について求め
る。これらの一例を図2から図4に示す。
る。これらの一例を図2から図4に示す。
【0013】次に、求められた各座標の差分値(Δ
RXY,ΔGXY,ΔBXY)から、式(4)を用いて輝度成
分の差分値(ΔYXY)を求める。この結果の一例を図5
に示す。
RXY,ΔGXY,ΔBXY)から、式(4)を用いて輝度成
分の差分値(ΔYXY)を求める。この結果の一例を図5
に示す。
【0014】 ΔYXY=0.3ΔRXY+0.59ΔGXY+0.11ΔBXY (4) 上で求めた各座標間の差分値を用いて画質評価を行う。
例として差分値の面積(画素数)を用いて評価を行う方
式について以下で説明する。
例として差分値の面積(画素数)を用いて評価を行う方
式について以下で説明する。
【0015】データ形式が8ビットのRGBデータの場
合、原画像と圧縮画像の各座標間の各差分値は0〜25
5となる。この差分値に対する分布を全画素について求
める。例えば、画面全体において差分値が10であるΔ
Rの画素数は100、ΔGは50、ΔBは70、ΔYは
30といった結果であるとき、差分値10については画
素数は250個となる。このようにして各差分値に対す
る各座標間の画素数の和(以降、パワー差分値と呼ぶ)
を求める。この結果の一例を図6に示す。
合、原画像と圧縮画像の各座標間の各差分値は0〜25
5となる。この差分値に対する分布を全画素について求
める。例えば、画面全体において差分値が10であるΔ
Rの画素数は100、ΔGは50、ΔBは70、ΔYは
30といった結果であるとき、差分値10については画
素数は250個となる。このようにして各差分値に対す
る各座標間の画素数の和(以降、パワー差分値と呼ぶ)
を求める。この結果の一例を図6に示す。
【0016】次に、得られたパワー差分布の偏差値αを
求め、パワー差分布がどのように偏っているかを検出す
る。
求め、パワー差分布がどのように偏っているかを検出す
る。
【0017】評価はこの偏差値αと過去の経験から決定
しておいた基準値Aとを比較することによって行う。図
6(a)は圧縮画像の画質が良いとき、図6(b)は悪
いときの評価結果の例である。図6(a)のときはAよ
りも偏差値αが小さいため、全画面における画質の劣化
が少ないといえる。図6(b)のときはAよりもαのパ
ワー差分値が大きいため、画質の劣化が大きいといえ
る。
しておいた基準値Aとを比較することによって行う。図
6(a)は圧縮画像の画質が良いとき、図6(b)は悪
いときの評価結果の例である。図6(a)のときはAよ
りも偏差値αが小さいため、全画面における画質の劣化
が少ないといえる。図6(b)のときはAよりもαのパ
ワー差分値が大きいため、画質の劣化が大きいといえ
る。
【0018】画質の劣化が大きいときは、圧縮パラメー
タを変更して、再度画像圧縮を行い、画質評価を行う。
タを変更して、再度画像圧縮を行い、画質評価を行う。
【0019】画質と圧縮率の観点から、観測者が設定し
た条件を満足する結果が得られたとき、画質評価を終了
する。
た条件を満足する結果が得られたとき、画質評価を終了
する。
【0020】画質評価が終了した後、画像圧縮時に設定
した圧縮パラメータを用いて、ニューラルネットワーク
による画像の統計的性質を学習する。
した圧縮パラメータを用いて、ニューラルネットワーク
による画像の統計的性質を学習する。
【0021】ここで、本実施例で採用するニューラルネ
ットワークについて述べる。
ットワークについて述べる。
【0022】ニューラルネットワークを用いて、規則を
見いだすとことを学習と呼ぶ。学習が終了したニューラ
ルネットワークに原画像データを入力することによっ
て、画質の劣化を最小限にし、圧縮率を最大限にする圧
縮パラメータを生成する。
見いだすとことを学習と呼ぶ。学習が終了したニューラ
ルネットワークに原画像データを入力することによっ
て、画質の劣化を最小限にし、圧縮率を最大限にする圧
縮パラメータを生成する。
【0023】図7は画像データの統計的性質を学習する
ときのニューラルネットワークの概念図である。このニ
ューラルネットワークは、入力層8、中間層9および出
力層10の典型的な3層構造を持ち、各層間の結合には
それぞれ重みWIH11とWHO12とがかけられている。
入力層8には画質、それに対応する圧縮パラメータが既
知の原画像データ7が与えられ、出力層10からは予測
圧縮パラメータ13が出力される。また、出力層10に
は実際に圧縮を行なったときに設定した圧縮パラメータ
が教師信号14として与えられ、(以降、教師圧縮パラ
メータと呼ぶ)予測圧縮パラメータ13と教師圧縮パラ
メータとの差(誤差E)が小さくなるように結合の重み
WIH11とWHO12を更新していく。この更新を学習と
呼ぶ。学習方法は公知のニューラルネットワークの学習
アルゴリズム、例えば、D.E.Rumelhartら
の誤差伝播法による。
ときのニューラルネットワークの概念図である。このニ
ューラルネットワークは、入力層8、中間層9および出
力層10の典型的な3層構造を持ち、各層間の結合には
それぞれ重みWIH11とWHO12とがかけられている。
入力層8には画質、それに対応する圧縮パラメータが既
知の原画像データ7が与えられ、出力層10からは予測
圧縮パラメータ13が出力される。また、出力層10に
は実際に圧縮を行なったときに設定した圧縮パラメータ
が教師信号14として与えられ、(以降、教師圧縮パラ
メータと呼ぶ)予測圧縮パラメータ13と教師圧縮パラ
メータとの差(誤差E)が小さくなるように結合の重み
WIH11とWHO12を更新していく。この更新を学習と
呼ぶ。学習方法は公知のニューラルネットワークの学習
アルゴリズム、例えば、D.E.Rumelhartら
の誤差伝播法による。
【0024】このような学習アルゴリズムを用いて、予
測圧縮パラメータ13と教師圧縮パラメータ14との誤
差が極めて小さくなるように結合の重みWIH11とWHO
12を変化させる。このように何度も学習を行って、予
測値と教師値との差が利用者が設定した許容範囲内(例
えば、量子化テーブルの各値がE<0.1)になったと
き、このネットワークは画像の統計的性質を学習したこ
とになる。
測圧縮パラメータ13と教師圧縮パラメータ14との誤
差が極めて小さくなるように結合の重みWIH11とWHO
12を変化させる。このように何度も学習を行って、予
測値と教師値との差が利用者が設定した許容範囲内(例
えば、量子化テーブルの各値がE<0.1)になったと
き、このネットワークは画像の統計的性質を学習したこ
とになる。
【0025】図8は圧縮パラメータを予測するときのニ
ューラルネットワークの概念図である。このネットワー
クは画像の統計的性質の学習が終了したネットワークで
ある。入力層8にこれから圧縮をおこなう原画像データ
15を入力することで、最適な圧縮パラメータ16を出
力する。
ューラルネットワークの概念図である。このネットワー
クは画像の統計的性質の学習が終了したネットワークで
ある。入力層8にこれから圧縮をおこなう原画像データ
15を入力することで、最適な圧縮パラメータ16を出
力する。
【0026】図11は本実施例における処理の概略を示
すフローチャートである。
すフローチャートである。
【0027】S1:映像出力装置1から原画像データを
取り込む。
取り込む。
【0028】S2:原画像データを、画像圧縮器2で圧
縮して、圧縮画像データを作成する。
縮して、圧縮画像データを作成する。
【0029】S3:画質評価器3で(R,G,B,Y)
成分の差分値を求める。
成分の差分値を求める。
【0030】S4:各差分値に対するパワー差分値を求
める。
める。
【0031】S5:パワー差分値から偏差値を求める。
【0032】S6:画質を評価する。
【0033】S7:評価結果が悪ければ、圧縮パラメー
タを変更して、画像圧縮器3で再度圧縮を行う。
タを変更して、画像圧縮器3で再度圧縮を行う。
【0034】S8:評価結果が良ければ、設定した圧縮
パラメータを使用して画像の統計的性質をニューラルネ
ットワーク4で学習する。
パラメータを使用して画像の統計的性質をニューラルネ
ットワーク4で学習する。
【0035】S9:次回、他の画像を圧縮するときは統
計的性質を学習したニューラルネットワーク4に原画像
データを入力し、最適な圧縮パラメータを生成する。
計的性質を学習したニューラルネットワーク4に原画像
データを入力し、最適な圧縮パラメータを生成する。
【0036】
【発明の効果】以上説明したように、本発明による画質
評価方式は、客観的に画質の評価を行い、また、最適な
圧縮パラメータを自動的に生成するため、画像評価の作
業効率が向上することとなる。
評価方式は、客観的に画質の評価を行い、また、最適な
圧縮パラメータを自動的に生成するため、画像評価の作
業効率が向上することとなる。
【図1】本発明のシステム構成を示す図である。
【図2】各座標のR成分の差分値を棒グラフで表示した
図である。
図である。
【図3】各座標のG成分の差分値を棒グラフで表示した
図である。
図である。
【図4】各座標のB成分の差分値を棒グラフで表示した
図である。
図である。
【図5】各座標のY成分の差分値を棒グラフで表示した
図である。
図である。
【図6】各差分値に対するパワー差分値を棒グラフで表
示したもので、良い評価結果が得られるときの例であ
る。
示したもので、良い評価結果が得られるときの例であ
る。
【図7】画像データの統計的性質を学習するときのニュ
ーラルネットワークの概念を示す図である。
ーラルネットワークの概念を示す図である。
【図8】最適な圧縮パラメータを予測するときのニュー
ラルネットワークの概念を示す図である。
ラルネットワークの概念を示す図である。
【図9】本発明の実施例を説明するためのフローチャー
トである。
トである。
1 映像出力装置 2 画像圧縮器 3 画像評価器 4 ニューラルネットワーク 5 画像処理システム 6 外部記憶装置 7 既値の原画像のRGBデータ 8 入力層 9 中間層 10 出力層
Claims (2)
- 【請求項1】原画像データを圧縮パラメータを用いて圧
縮符号化し、圧縮符号化されたデータを伸長してえられ
る圧縮画像の画質を評価する画質評価装置であり、 前記原画像データと前記伸長画像データとの差分をこれ
ら画像データの輝度信号成分、色信号成分の少なくとも
1つについて計算する手段と、 計算された差分のヒストグラムを作成する手段と、 このヒストグラムの偏差値を算出する手段と、 この偏差値が所定の値より小であるときに、前記圧縮画
像の画質が良好であることを示す信号を出力する判定手
段とから構成される画質評価装置。 - 【請求項2】ニューラルネットワークを更に備えた請求
項1に記載の画質評価装置であり、 このニューラルネットワークは、学習モードにおいて
は、前記判定手段が前記圧縮画像の画質が良好であるこ
とを示す信号を出力したときに、その出力層には前記圧
縮パラメータが供給され、前記圧縮パラメータに対応す
る原画像データがその入力層に供給されて、前記圧縮パ
ラメータに基づいて、教師付き学習を行い、 前記ニューラルネットワークは、非学習モードにおいて
は、その入力層には原画像データが供給され前記前記学
習モードによりその内部に設定された重みを用いて、供
給された原画像データに対する圧縮パラメータを出力す
ることを特徴とする請求項1に記載の画質評価装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP32677793A JP2795147B2 (ja) | 1993-12-24 | 1993-12-24 | 画質評価装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP32677793A JP2795147B2 (ja) | 1993-12-24 | 1993-12-24 | 画質評価装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH07184062A JPH07184062A (ja) | 1995-07-21 |
JP2795147B2 true JP2795147B2 (ja) | 1998-09-10 |
Family
ID=18191590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP32677793A Expired - Lifetime JP2795147B2 (ja) | 1993-12-24 | 1993-12-24 | 画質評価装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2795147B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9407934B2 (en) | 2013-06-20 | 2016-08-02 | Fujitsu Limited | Image evaluation apparatus and method |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE60005798T2 (de) * | 1999-02-11 | 2004-08-12 | British Telecommunications P.L.C. | Analyse der qualität von videosignalen |
US7418148B2 (en) | 2003-09-29 | 2008-08-26 | Casio Computer Co., Ltd. | Image compression method and image compression device |
CN103369349B (zh) * | 2012-03-28 | 2016-04-27 | ***通信集团公司 | 一种数字视频质量控制方法及其装置 |
CN102917157A (zh) * | 2012-10-19 | 2013-02-06 | 北京快联科技有限公司 | 一种基于人体视觉***的图片压缩***及方法 |
JP6317272B2 (ja) * | 2015-02-10 | 2018-04-25 | 日本電信電話株式会社 | 映像符号化ストリーム生成方法、映像符号化ストリーム生成装置及び映像符号化ストリーム生成プログラム |
WO2019009449A1 (ko) * | 2017-07-06 | 2019-01-10 | 삼성전자 주식회사 | 영상을 부호화/복호화 하는 방법 및 그 장치 |
JP2019036899A (ja) * | 2017-08-21 | 2019-03-07 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
JP7302367B2 (ja) * | 2019-08-14 | 2023-07-04 | 富士通株式会社 | 通信装置、通信システムおよび通信方法 |
JP2021072539A (ja) * | 2019-10-30 | 2021-05-06 | キヤノン株式会社 | 画像符号化装置、復号装置、伝送システム、及びその制御方法 |
KR102416160B1 (ko) * | 2019-12-20 | 2022-07-05 | 라인플러스 주식회사 | 영상 저장 서비스 제공 방법, 컴퓨터 프로그램 및 컴퓨팅 장치 |
JPWO2022157921A1 (ja) * | 2021-01-22 | 2022-07-28 | ||
JP7424345B2 (ja) * | 2021-05-12 | 2024-01-30 | 横河電機株式会社 | 装置、方法およびプログラム |
JP2022174948A (ja) * | 2021-05-12 | 2022-11-25 | 横河電機株式会社 | 装置、監視システム、方法およびプログラム |
-
1993
- 1993-12-24 JP JP32677793A patent/JP2795147B2/ja not_active Expired - Lifetime
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9407934B2 (en) | 2013-06-20 | 2016-08-02 | Fujitsu Limited | Image evaluation apparatus and method |
Also Published As
Publication number | Publication date |
---|---|
JPH07184062A (ja) | 1995-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2795147B2 (ja) | 画質評価装置 | |
EP0620686B1 (en) | Fuzzy-controlled coding method and apparatus therefor | |
US6025879A (en) | System for moving object detection in moving picture | |
CN101507277B (zh) | 图像编码/解码方法和设备 | |
US6633611B2 (en) | Method and apparatus for region-based moving image encoding and decoding | |
US6088475A (en) | Method and apparatus for forming and correcting color image | |
US20030128754A1 (en) | Motion estimation method for control on the basis of scene analysis in video compression systems | |
JPH02214987A (ja) | 彩色装置 | |
US5892546A (en) | Encoding apparatus and method for encoding a quantized difference between an input signal and a prediction value | |
CN104322063A (zh) | 视频压缩技术 | |
JPH04302272A (ja) | 画像処理方法 | |
JP3143494B2 (ja) | 動きベクトル装置及びその方法 | |
US11587207B2 (en) | Image debanding method | |
JPH05176173A (ja) | 画像データ圧縮方法 | |
KR100525467B1 (ko) | 동영상 화질 평가장치 및 방법 | |
JP3149076B2 (ja) | 動きベクトル検出装置 | |
JPH02108372A (ja) | 画像データの圧縮装置、及び画像処理装置 | |
JP2001169291A (ja) | データ圧縮装置、データ圧縮方法及び記憶媒体 | |
Yao et al. | Perceptual video quality evaluation using fuzzy inference system | |
Regis et al. | Fuzzy logic and temporal information applied to video quality assessment | |
JPH11259455A (ja) | 離散コサイン変換の直流成分予測方法 | |
JPH02215277A (ja) | 色彩圧縮・復元装置 | |
JPH057372A (ja) | 動ベクトル検出装置 | |
JP2000102014A (ja) | 画像符号化装置および方法、並びに提供媒体 | |
JPH06339134A (ja) | 画像圧縮装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19980526 |