Порівняльний аналіз нереферентних методів оцінювання якості відеоматеріалу

DOI: 10.31673/2412-9070.2020.065660

Анотація

Проведено порівняльний аналіз функцій для оцінювання якості зображень за відсутності зразка: no-reference (NR) measure або методами NR-типу. Наявність NR-методів дуже актуально для оцінювання якості потокового відео (адже на боці отримувача відео немає еталона для порівняння якості) та оцінювання результатів перетворень, орієнтованих на поліпшення відео і вибір параметрів цих перетворень (яскравість зміни, стиснення динамічного діапазону яскравості, перетворення кольорового в півтон тощо). Досліджено шість типів експериментів із метою аналізу кореляції обчислюваних кількісних оцінок з візуальним оцінюванням якості тестованих відеофайлів. Три з них є принципово новими: порівняння відео після гамма-корекції зміни контрасту з різними параметрами, а також розмиття, яке може бути наслідком розфокусування відеокамери. Також для порівняння було додано гібридний метод та метод повного референта. Експериментально показано, що жоден з досліджуваних нереферентних методів оцінювання якості зображення не є універсальним, а обчислена оцінка не може бути перетворена в якісну шкалу без урахування факторів, що впливають на спотворення якості зображення. Визначено, що більшість досліджених методів розраховує локальні оцінки для кожного кадру, а їхнє середнє арифметичне значення є оцінкою якості всього відеофайла. Якщо на відео домінують великі ділянки однорідної оцінки, методи такого типу можуть дати неправильні оцінки якості, які не збігаються з візуальним оцінюванням.

Ключові слова: оцінювання якості відео; NR-метод; RR-метод; FR-метод; гамма-корекція; контраст; розмите відео; шум.

Список використаної літератури
1. Старовойтов В. В. Локальные геометрические методы цифровой обработки и анализа изображений. Минск: Ин-т техн. кибернетики НАН Беларуси, 1997.
2. Impairment metrics for digital video and their role in objective quality assessment / J. Caviedes [et al.] // Visual Communications and Image Processing, Perth, Australia, 30 May 2000. P. 791–800.
3. Wang Z., Bovik A. C. Modern Image Quality Assessment // Synthesis Lectures on Image, Video, & Multimedia Processing, Morgan & Claypool, San Rafael, Calif, USA, 2006.
4. Muijs R., Kirenko I. A no-reference blocking artifact measure for adaptive video processing // Proc. of the 13th European Signal Processing Conference (EUSIPCO’05), Antalya, Turkey, September 2005.
5. Pertuz S., Puig D., Garcia M. A. Analysis of focus measure operators for shape-from-focus // Pattern Recognition, 2013. Vol. 46. № 5. P. 1415–1432.
6. Wang Z., Bovik A. C., Evans B. L. Blind measurement of blocking artifacts in images // Proc. IEEE Int’l. Conf. Image Process., 2000. Р. 981–984.
7. Learn OpenCV — Image Quality Assessment: BRISQUE. URL: https://www.learnopencv.com/image-quality-assessment-brisque/ (Дата звернення 10.01.2021)
8. MathWorks. URL: https://www.mathworks.com/help/images/ref/piqe.html (Дата звернення 10.01.2021)
9. National Telecommunications and Information Administration (NTIA). URL: https://www.its.bldrdoc.gov/resources/videoquality-research/standards/objective-models.aspx (Дата звернення 10.01.2021)
10. Thomos N., Boulgouris N. V., Strintzis M. G. Optimized Transmission of JPEG2000 Streams Over Wireless Channels // IEEE Transactions on Image Processing, 15. 2006.