视频质量怎么评估

视频质量基本测评方法

目前我们所使用的方法同样也分为主观和客观两大类。

主观评测得到的是对视频的直接评价，当然与我们的期望结果最为接近，但主观测评的缺点是需要消耗大量人力，成本很高。同时主观测试的环境控制，包括实验室环境、实际观看的多段环境，都很难全面反映视频质量，另一方主观的测试方法，包括有参考的对比和无参考的打分，方法不同很可能会带来不同的结果，而选取到了不合适的方法最后可能也可能使我们的结论不够准确。总的来说，主观测评是一个难度很高、成本很高的方法，但是相对来说也更能得到最接近于人类感知的结论。

客观测评的方法的优点在于能够自动运行脚本，处理大量数据。但缺点在于其局限性，只能评测某些特定的质量损失和反映某些特定的问题。目前来说，没有一种客观的质量测评矩阵是可以覆盖所有的质量缺陷的。客观质量评估的参考算法目前主要可以分为以上三类，全参考评估、半参考评估和无参考质量评估。

客观测评方法

全参考质量评估。全参考质量评估算法有PSNR、SSIM、VMAF等，全参考评估算法需要预先设定一个标杆质量的源视频作为测评参考，被评估视频的参数需要与原视频保持完全一致。全参考质量评估在于视频压缩的测评相对来说相对更加准确和有效。

半参考质量评估。半参考评估算法会根据视频在压缩中的一些信息，来设计相应的质量评估矩阵，再来进行评估。

无参考质量评估。无参考质量评估算法主要是采用深度学习的架构，优点是不需要任何原视频做参考。但局限性在于评估结果极度依赖于模型的训练集，往往评估有效的视频一般是那些在数据集中较好覆盖的点。

无论是全参考算法还是无参考算法，目前最大的一个难点都是在于没有一个充足的、带有主观评价分数的数据来进行训练。

以前UT Austin（https://live.ece.utexas.edu/）也构建过一些主观数据库，但其样本数量极其有限，往往是二十个原视频进行，十个版本的噪声、压缩其它形式的失真，来生成几百个视频来作为主观数据。后续也有过一两千数据点的数据库，但因为数量大，因此引入的失真类型和失真度也极为有限。

目前的客观评测工具没有一个完美的解决方案，还是需要根据不同的需求来选择不同的工具。

VMAF算法介绍

VMAF（Video Multimethod Assessment Fusion），是由Netflix联合美国南加州大学等高等学校联合开发的全参考视频质量评估算法，于2016年在GitHub上开源。

另外两种较为经典的质量评估算法叫做PSNR、SSIM。

PSNR（Peak signal-to-noise ratio，峰值信噪比），是一个表示讯号最大可能功率和影响它的表示精度的破坏性噪声功率的比值的工程术语。
SSIM（structural similarity index，结构相似性指标），是一种可以衡量数字照片或者视频接收质量的方法指标。

PSNR 和 SSIM都是通过计算图片上像素差别的大小来评价视频质量，因此这两种算法局限性非常高。其中PSNR算法的鲁棒性非常的差，图片进行微小的位移会极大影响计算的结果。这两种算法也并未考虑到运动的因素，因此也并不适用于视频场景。

VMAF基本原理

VMAF算法同时考量了时域与空域的信息，采取SVM把三个不同的质量评估矩阵合成为一个最后的模型。在空域上采用VIF、DLM模型对画面特征进行了提取，在时域上则采用TI模型，而后通过一些，最终给出VMAF的分数。

空域上使用的其中一个质量评估矩阵叫VIF（Visual Information Fidelity，视觉信息保真度），其是来视觉信息保留的程度，取值范围是[0,1]，越高越好。另一个使用质量评估矩阵叫做DLM（Detail Loss Metric，细节损失指标），它的作用是可以评估测试视频相比原视频细节损失程度。

时域上的模型相对来说比较简单，基本上就是获得前后两帧的帧差，而后再对此做一个特征上的提取。