视频质量诊断分析视频质量诊断依据视频质量诊断判断标准

一、概述

在图像信息技术被广泛应用的情况下，对图像质量的评估变成一个广泛而基本的问题。由于图像信息相对于其它信息有着无可比拟的优点，因此对图像信息进行合理处理成为各领域中不可或缺的手段。在图像的获取、处理、传输和记录的过程中，由于成像系统、处理方法、传输介质和记录设备等不完善，加之物体运动、噪声污染等原因,不可避免地带来某些图像失真和降质，这给人们认识客观世界、研究解决问题带来很大的困难。

比如，在图像识别中，所采集到的图像质量直接影响识别结果的准确性和可靠性；又如，远程会议和视频点播等系统受传输差错、网络延迟等不利因素影响，都需要在线实时的图像质量监控，以便于服务提供商动态地调整信源定位策略，进而满足服务质量的要求；在军事应用方面，战场监视和打击评估的效果也取决于无人机等航拍设备所采集到的图像或视频的质量。因此，图像质量的合理评估具有非常重要的应用价值。

从有没有人参与的角度区分，图像质量评价方法有主观评价和客观评价两个分支。主观评价以人作为观测者，对图像进行主观评价，力求能够真实地反映人的视觉感知；客观评价方法借助于某种数学模型，反映人眼的主观感知，给出基于数字计算的结果。

二、图像质量的主观评价

主观评价只涉及人作出的定性评价，它以人为观察者，对图像的优劣作出主观的定性评价。对于观察者的选择一般考虑未受训练的“外行”或者训练有素的“内行”。该方法是建立在统计意义上的，为保证图像主观评价在统计上有意义，参加评价的观察者应该足够多。主观评价方法主要可分为两种：绝对评价和相对评价。

三、图像质量客观评价

图像质量客观评价的基本目标是设计能精确和自动感知图像质量的计算模型。其终极目标是希望用计算机来代替人类视觉系统去观看和认知图像。在国际上，图像质量客观评价通常是通过测试多个影响影像质量的因素的表现，并通过计算模型获得图像质量量化值与人类主观观测值一致性的好坏来评估的。美国的Imatest和法国的DxO analyzer就是其中比较出名的图像质量客观评价系统。

四、视频质量算法

视频质量算法属于图像质量客观评价。分为盲图像质量分析算法和基于模型的质量分析算法。

4.1、基于盲图像质量分析算法

盲图像质量分析算法也就是所谓的基于传统图像算法，评价方法则完全无需参考图像，根据失真图像的自身特征来估计图像的质量。有些方法是面向特定失真类型的，如针对模糊、噪声、块状效应的严重程度进行评价；有些方法先进行失真原因分类, 再进行定量评价；而有些方法则试图同时评价不同失真类型的图像。无参考方法最具实用价值，有着非常广泛的应用范围。

图像评价时，利用图像均值、标准差、平均梯度、信息商等特征，把每个信息值进行加权之后归一化到0-100之间，越接近100表示图像的质量越差，反之越接近0，图像质量越好。一般而言，无参考图像质量评价方法首先对理想图像的特征作出某种假设，再为该假设建立相应的数学分析模型，最后通过计算待评图像在该模型下的表现特征，从而得到图像的质量评价结果。

4.2、基于模型质量分析算法

基于模型质量分析算法也就是所谓的深度学习方法。这类方法首先建立图像特征与图像质量之间的统计概率模型，大多采用多变量高斯分布描述概率分布。对待评价图像，提取特征后根据概率模型计算最大后验概率的图像质量，或根据与概率模型的匹配程度(如特征间的距离) 估计图像质量。评时计算待评价图像特征与无失真图像统计模型的距离作为图像质量评价度量。根据概率建模是一种基于大量样本的统计方法，概率数学模型的选择和样本量的大小是影响性能的关键，现有方法大都基于多变量高斯模型进行概率建模，主要是为了方便建模。考虑到表征图像质量的特征维度很高，复杂的模型将需要更多的数据量，这类方法只有当数据量较大时才可能取得较好的效果。

网络就可以设计为一个卷积神经网络，例如我们可以选用VGG网络进行回归，先人工选择图像质量类别的数据，并对数据进行打分和分类，然后训练出一个回归模型，直接利用回归进行质量评价。这个思路比较简单，就是我们输入一张待评价图像然后输出的是一个类别和一个值（score）。

五、基于优秀的底层算法,视频质量诊断系统具备以下技术特点:

1、准确度：采用大量的实际视频监控系统的视频作为训练样本，各种故障检测器均来源于实际系统，并经过大量实际系统的测试，因此检测准确率高；

2、好的摄像机角度适应性：故障检测器的训练样本来自多种不同场景，涵盖了治安视频监控系统中众多常见的摄像头监视角度，因此对各种摄像头角度、焦距以及不同的摄像内容都有良好的适应性；

3、色的环境适应能力：算法模块对于场景内由于车流、人流、季节、气候产生的光线、阴影变化不敏感，因此，可以适用于多种不同的室外环境；

4、化学习能力：现有的视频质量诊断系统与人类的故障识别能力仍有明显的差距，因此应用场景的差异对于视频质量诊断系统的性能是有影响的。像人类的视觉系统一样，视频质量诊断分析模块也具备后天强化学习的能力，只要加入当地的新样本重新训练检测器，算法的性能将进一步提高。