Оценка качества видеозаписи кратко
Обновлено: 28.06.2024
Качество видео (анг. Video quality) — это характеристика обработанного видео, как правило, по сравнению с оригиналом. С момента записи первой видео последовательности, было разработано большое число систем обработки видео. Различные системы могут оказывать различное влияние на видео последовательность, таким образом измерение качества видео — это очень важная задача.
Содержание
От аналогового до цифрового видео
Во времена аналоговых видеосистем было возможно измерять качество систем обработки видео путем измерения частотного отклика системы на тестовый сигнал.
Сейчас, цифровое видео вытеснило аналоговое, возникла необходимость в изменении методов оценки качества. Производительность систем обработки цифрового видео может очень сильно меняться и зависит от динамических характеристик входного видео сигнала (таких, как движение). Поэтому качество цифрового видео должно измеряться на видео последовательностях, которые могут получать пользователи.
Объективное качество видео
Объективные техники измерений — это математические модели, которые удачно моделируют результаты субъективной оценки качества, они основаны на критериях и метриках, что могут быть измерены объективно. Объективные методы классифицируются в соответствии с полезностью исходного видео сигнала, для которого обеспечивается высокое качество. Поэтому они классифицируются по трем категориям: полные референсные методы, сокращенные референсные методы и нереференсные методы.
Наиболее традиционным методом измерения качества системы обработки цифрового видео (таких как видеокодеки DivX, XviD)) является измерение Отношения сигнала к шуму и пикового отношения сигнала к шуму между исходным сигналом и сигналом на выходе системы. PSNR — это одна из метрик объективного качества видео. Она может быть автоматически вычислена компьютерной программой. Но хороший PSNR не всегда гарантирует хорошее качество, из-за того что зрительная система человека обладает нелинейным поведением. Не так давно было разработано несколько более сложных и точных метрик, например VQM и SSIM.
Все рассмотренные ранее объективные методы требуют повторения тестов, проводящихся с результатом кодирования, для определения параметров кодирования, которые удовлетворяют определенному уровню ожиданий пользователя, что делает их скорость очень маленькой, такие методы являются очень сложными и непрактичными для реализации в коммерческих приложениях.
Поэтому, большинство исследований направлено на исследование новых методов объективной оценки качества, которые позволят предсказывать воспринимаемый уровень качества закодированного видео перед кодированием.
Субъективное качество видео
Среди них оценка качества видео, полученная с помощью наблюдения человеческого глаза, является субъективной оценкой, а оценка качества видео, рассчитанная с помощью алгоритма и визуальной модели, является объективной оценкой. Поскольку субъективная оценка требует значительных человеческих ресурсов и временных затрат, нереально использовать ее в промышленных масштабах в широких масштабах, поэтому модель оценки качества видео устанавливается в соответствии с характеристиками зрительной системы человека, а затем оценка качества видео автоматически завершается компьютером.
(2) По степени зависимости от исходного видео методы оценки качества видео подразделяются на три категории:
Полная ссылка (FR), Частичная ссылка (Уменьшить ссылку, RR) и Нет ссылки (NR). Метод полной ссылки требует полного исходного видео, а метод частичной ссылки использует часть информации, относящейся к исходному видео, в то время как метод без ссылки получает качество видео только на основе видео, подлежащего оценке. В настоящее время большинство методов оценки видео являются методами с полной ссылкой и достигли некоторого прогресса. Один только метод с полной ссылкой опирается на исходное видео без искажений, которое имеет большой предел пропускной способности передачи, и, как правило, может применяться только на этапе кодирования видео для кодирования. оптимизация. Без эталонного метода исходная видеоинформация не требуется, и качество видео напрямую оценивается на основе информации о видео, подлежащем оценке, которое имеет лучшую гибкость, универсальность и более широкое применение. Это стало горячей точкой исследования в области оценки качества видео.
(3). Какой использовать
Поскольку ни один эталонный метод в настоящее время не находится на стадии исследования, нет особенно хорошей модели алгоритма и зрелой коммерческой версии, и некоторые результаты исследования не могут найти соответствующий исходный код и пакет lib, поэтому мы в основном обсуждаем оценку качества видео полного эталонного метода.
2. Полная эталонная оценка качества видео
Наиболее часто используемые полнопараметрические методы оценки качества видео следующие:
PSNR (пиковое отношение сигнал / шум): чаще всего используется, но его значение не отражает субъективное восприятие человеческого глаза. Общий диапазон значений: 20-40. Чем больше значение, тем лучше качество видео.
SSIM (структурное сходство): расчет немного сложнее, и его значение может лучше отражать субъективное восприятие человеческого глаза. Общий диапазон значений: 0-1. Чем больше значение, тем лучше качество видео.
MSE (ошибка среднего квадрата)
Поскольку оценки, полученные этими алгоритмами, иногда сильно отличаются от субъективных ощущений, Netflix выпустила собственную систему оценки качества VMAF (Visual Multimethod Assessment Fusion), которая была представлена на этот раз. VMAF.
ссылка на скачивание:
(1). Ограничения популярных методов оценки качества видео:
Чтобы оценить сравнение качества между кодированным видеопотоком и видеопотоком перед сжатием, общим методом является PSNR (пиковое отношение сигнал / шум) или SSIM (структурное сходство). Это объективные методы оценки. Результаты оценки этих методов иногда сильно отличаются от субъективных ощущений. См. Рисунок ниже (с официального сайта Netflix):
3. Neflix анализ характеристик видеоисточника:
(1). Соберите наборы данных, тесно связанные с вариантом использования:
Хотя существуют общедоступные базы данных для разработки и тестирования показателей качества видео, контент этих баз данных не имеет разнообразия. А разнообразие - это самая большая особенность потоковых медиа сервисов. Поскольку оценка качества видео намного больше, чем просто оценка искажения сжатия, следует учитывать более широкий диапазон потерь качества изображения, причем не только потери, вызванные сжатием, но также потери при передаче, случайные шумы и геометрические искажения.
(2). Особенности источника видео:
Как компания, занимающаяся потоковым мультимедиа, Netflix предоставляет большое количество фильмов и телепрограмм, подходящих для просмотра всеми видами людей, таких как детский контент, анимация, боевики, документальные фильмы, видеолекции и т. Д. Кроме того, этот контент также содержит различные основные материалы исходного материала, такие как зерна пленки, датчики Шум, компьютерные материалы, всегда тусклые сцены или очень яркие цвета и т. Д. В прошлом общие показатели качества не учитывали различные типы исходного контента, такие как анимация или видеолекции, и не учитывали зернистость пленки, которая является очень распространенной характеристикой сигнала в профессиональном развлекательном контенте.
(3). Источник искажения:
Вообще говоря, потоковое видео передается через TCP, а потеря пакетов и битовые ошибки никогда не вызовут визуальную потерю. Это приводит к тому, что два типа искажения в процессе кодирования в конечном итоге влияют на качество восприятия (QoE), которое испытывает аудитория: искажение сжатия и искажение масштаба.
Чтобы создать набор данных для разных вариантов использования, Netflix выбрал 34 исходных коротких видео в качестве образцов (эталонных видео), продолжительность каждого из которых составляет 6 секунд, в основном из популярных телевизионных шоу и фильмов. Исходный фильм содержит контент с различными расширенными функциями (аниме, в помещении / на улице, панорамированием камеры, увеличением лица, людьми, поверхностью воды, заметными объектами, несколькими объектами) и различными базовыми функциями (шум пленки, яркость, контрастность, Материал, активность, изменение цвета, интенсивность цвета, резкость). Кодируйте эти исходные клипы в видеопотоки в формате H.264 / AVC с разрешением от 384x288 до 1920x1080, скоростью передачи от 375 кбит / с до 20 000 кбит / с и, наконец, получается около 300 искаженных (искаженных) видео. Эти видеоролики охватывают широкий спектр битрейтов и разрешений видео, которых достаточно для отражения различных сетевых сред в реальной жизни.
Далее, субъективное тестирование используется для определения оценки непрофессиональными наблюдателями потери качества видео после кодирования исходного клипа. Эталонное видео и искаженное видео будут последовательно отображаться на домашнем телевизоре. Если кодированное разрешение искаженного видео меньше, чем у эталонного видео, оно сначала будет увеличено до исходного разрешения, а затем отображено на телевизоре. Баллы всех наблюдателей для каждого искаженного видео рассчитываются вместе для расчета среднего дифференциального балла (DMOS), который преобразуется в стандартный балл 0-100, где 100 баллов относятся к баллу эталонного видео.
4. Результаты оценки:
Netflix представила двумерную диаграмму рассеяния, чтобы проиллюстрировать результаты вышеуказанного анализа, и я выбрал четыре репрезентативные диаграммы рассеяния из них.
На диаграмме рассеяния горизонтальная ось соответствует оценке DMOS, полученной наблюдателем, а вертикальная ось соответствует оценке, предсказанной различными показателями качества. Каждая точка представляет искаженное видео. Мы нарисовали точечные графики для следующих четырех индикаторов:
Компонент яркости PSNR (компонент яркости)
SSIM
Multiscale FastSSIM
PSNR-HVS
На диаграмме рассеяния PSNR в диапазоне от 34 дБ до 36 дБ изменение 2 дБ в PSNR телевизионной драмы соответствует изменению значения DMOS примерно на 50 (от 50 до 100), но тот же диапазон для анимации компьютерной графики. Аналогичное изменение значения 2 дБ в рамках соответствующего изменения значения DMOS составляет менее 20 (от 40 до 60). Хотя SSIM и FastSSIM CG-анимации и короткометражных фильмов в сериалах демонстрировали более устойчивый уклон, производительность по-прежнему была не идеальной.
Короче говоря, традиционные индикаторы не подходят для оценки качества видео. Чтобы решить эту проблему, мы используем дизайн модели, основанный на машинном обучении, который действительно может отражать восприятие человеком качества видео. Этот индикатор будет представлен ниже.
5. Метод VMAF:
Основная идея:
1. Визуальная достоверность информации (VIF):
VIF является широко используемым индикатором качества изображения.В своем первоначальном виде показатель VIF был измерен путем объединения потери точности по четырем шкалам. В VMAF мы используем улучшенную версию VIF, которая рассматривает потерю точности в каждой шкале в качестве основного показателя.
2. Деталь LossMetric (DLM):
LM - это показатель качества изображения, основной принцип которого - отдельно измерять потерю деталей, которая может повлиять на видимость контента, и ненужную потерю, которая может отвлекать зрителей. Этот индикатор будет первоначально объединять DLM и аддитивную меру обесценения (AIM) для расчета итоговой оценки.
3. Упражнение:
Это эффективная мера для измерения разницы во временной области между соседними кадрами. Это значение может быть получено путем вычисления среднего контраста компонента яркости пикселей.
На следующем диаграмме рассеяния показаны оценки индекса VMAF выбранных эталонных короткометражных фильмов (видео с высоким уровнем шума, анимация компьютерной графики, телесериалы). Для удобства сравнения мы также приложили график рассеяния индикатора PSNR-HVS с лучшими результатами, упомянутыми выше. Без сомнения, эффект VMAF лучше.
Оцените свой контент по ряду характеристик, которые дают представление о разных типах видео - от игровых стримов до лайфхаков и брендированных роликов.
Технологичность
Тем не менее качество видео можно и нужно отслеживать и стремится улучшить. Выбирайте лучшие сервисы для потокового вещания прямых трансляций, не ленитесь переделывать кадры, оказавшиеся в расфокусе, не экономьте на монтаже и применении современных технологических решений. В конечном итоге это окупится лояльностью аудитории и ростом подписок.
Зрелищность
Вирусный потенциал
Оцените, насколько ваши видео пригодны для рекомендации пользователями, насколько это удобно делать: пропишите коды для вставки видео на сайт, оптимизируйте формат видео для различных платформ, залейте в разные соцсети, создайте возможность просматривать ролик людям с ограниченными возможностями и на разных языках (добавьте субтитры). Проверьте, имеет ли контент-план возможность масштабироваться и разрастаться, или же тема настолько узкая, что она затрагивает очень незначительный сегмент аудитории.
Актуальность
Подбирайте для видео восходящие тренды, а не запрыгивайте в последний вагон. Подготовка контента часто занимает несколько месяцев от момента формирования плана, поэтому модный здесь и сейчас инфоповод, может устареть и потерять вирусный потенциал на момент публикации ролика.
На моменте утверждения контент-плана соберите небольшую фокус группу из числа вашей целевой аудитории, чтобы подтвердить или опровергнуть ваши представления об актуальности того или иного контента. Возможно, в ходе подобной беседы вы узнаете много нового и скорректируете контент-план в более актуальном ключе.
Уникальность
Сложно не повторяться в мире, где информация настолько доступна, как она доступна в эпоху интернета. Тем не менее, ориентируясь на модные тенденции, старайтесь найти собственный стиль и не повторять слово-в-слово контент конкурентов и, особенно, у популярных блогеров.
Если канал, у которого вы собираетесь заимствовать идеи популярнее вашего, то, скорее всего, видео на нем уже видели те, кто могут заинтересоваться темой. Вторичность вызывает негативные эмоции у просвещенной публики, а именно такой являются современные интернет-пользователи.
Свидетельство и скидка на обучение каждому участнику
Зарегистрироваться 15–17 марта 2022 г.
Описание презентации по отдельным слайдам:
Видеоматериалы как средство поддержки образовательного процесса .
Содержание Понятие видеофайла Формат видеофайла. Кодек, контейнер Основы видеозаписи. Оценка качества видеозаписи Редакция видеоматериалов. Конвертер видеофайлов Видеохостинг Использование видеоматериалов в учебно-воспитательном процессе Использование видеоматериалов в методической работе Использование видеоматериалов в профессиональном развитии
Видео - это электронная технология формирования, записи, обработки, передачи, хранения и воспроизведения сигналов изображения, основанная на принципах телевидения, а также аудиовизуальное произведение, записанное на физическом носителе (видеокассете, видеодиске и т. п.).
Формат видеофайла Формат видеофайла — определяет структуру видеофайла. Имеется множество форматов кодирования и сжатия видеофайлов. На конец 2008 года существуют три основных формата видеофайлов: avi, mpg и mov.
Формат видеофайла. Кодек, контейнер Кодек – специальная программа, осуществляющая сжатие (кодирование) исходных материалов. При этом каждый из кодеков использует свой собственный алгоритм, который влияет как на качество, так и на скорость кодирования.
Формат видеофайла. Кодек, контейнер DivX — самый распространённый проприетарный кодек стандарта MPEG-4; Xvid — открытый кодек, основанный на одной из версий кодека DivX; x264 — кодек для сжатия в стандарте H.264. TrueMotion VP6 — прямой конкурент кодекам MPEG4-ASP (таким как DivX и Xvid)
Формат видеофайла. Кодек, контейнер Контейнер — формат файла, в котором сохраняется видеоряд, звуковая дорожа/дорожки, субтитры и служебная информация.
Формат видеофайла. Кодек, контейнер Популярные контейнеры: Audio and Video Interleaved (AVI) — стандартный медиаконтейнер для Microsoft Windows; позволяет использовать различные кодеки, обычно DivX и XviD. MPEG-4 Part 14 (MP4) — медиаконтейнер, поддерживающий аудио и видео из группы MPEG-4; официальный стандарт контейнера для видео H.264; может содержать звук только в формате AAC. Matroska (MKV) — открытый и гибкий формат контейнера; расширения файлов: *.mkv — для видео с субтитрами и звуком, *.mka — для аудиофайлов, *.mks — для субтитров.
Формат видеофайла. Кодек, контейнер Flash Video (FLV) — медиаконтейнер для передачи видео через Интернет; используется популярными сервисами видеохостинга YouTube, Google Video, RuTube и другими. Ogg — медиаконтейнер для аудиокодека Vorbis и видеокодека Theora. Windows Media — формат контейнера для видеозаписей, разработанный Microsoft; расширения: *.asf, *.wmv, *.wm.
Основы видеозаписи. Оценка качества видеозаписи Наиболее традиционным методом измерениякачества системы обработки цифрового видео является измерение . Отношения сигнала к шуму и пикового отношения сигнала к шуму между исходным сигналом и сигналом на выходе системы. PSNR — это одна из метрик объективного качества видео.
Редакция видеоматериалов. Конвертер видеофайлов Видеоредактор — компьютерная программа, включающая в себя набор инструментов, которые позволяют осуществлять нелинейный монтаж видео- и звуковых файлов на компьютере.
Редакция видеоматериалов. Конвертер видеофайлов Конвертер видео - это программа для преобразования качества или формата видео. Конвертер видеофайлов позволяет конвертировать следующие форматы: mp3, mp4, avi, mov, mpeg, flv, 3gp и другие. Программы – конвертеры: Movavi Video Suite Wondershare Video Converter Ultimate ВидеоМАСТЕР Movavi Video Converter
Видеохостинг Видеохостинг – это сайт, который позволяет загружать и просматривать видео в браузере, зачастую через специальный проигрыватель. Сервис YouTube, стал первым видеохостингом и это стало своего рода революцией, новым видом увлечений активных интернет-пользователей.
Использование видеоматериалов в учебно-воспитательном процессе. Учебные видеоматериалы (учебное видео) – это современная, эффективная форма представления учебного контента, незаменимая в условиях электронного обучения (при очном, смешанном или дистанционном образовании).
Использование видеоматериалов в учебно-воспитательном процессе. Учебные видеоматериалы - подборка учебных видеозаписей, соответствующих лекционному и практическому курсу и позволяющих организовать различные формы обучающей работы в интерактивном формате.
Читайте также: