|
В ПОИСКАХ ТОЧКИ ОПОРЫ
Одной из тенденций рынка охранного телевидения является многообразие присутствующих на нем видекодеков. Чуть ли не каждый разработчик программно-аппаратных средств CCTV стремится разработать свои уникальные алго-ритмы сжатия видео и провозгласить их превос-ходство над остальными. Так как заявления разработчика могут не всегда соответствовать дей-ствительности, то потребитель нуждается в неза-висимой экспертной оценке качества видеокодеков. Проведение экспертной оценки обычно выполняют известные лаборатории, научные сообщества на основе двух основных методов: субъ-ективное тестирование и использование объек-тивных метрик качества.
При субъективном тестировании группе экс-пертов предъявляются фрагменты видео, сжатые различными кодеками, и они выставляют качест-ву этих фрагментов оценки по некоторой шкале. Далее экспертные оценки обрабатываются тем или иным образом, и получается интегрирован-ный показатель качества, например MOS (mean opinion score).
Достоинством данного способа является про-стота интерпретаций полученных оценок, так как они непосредственно связаны с человеческим восприятием. Существенными недостатками яв-ляются зависимость результатов от опыта экс-пертов, а также принципиальная невоспроизво-димость результатов. Последний недостаток оз-начает также и то, что результаты тестирования, проведенные в двух фирмах-конкурентах, будут диаметрально противовоположными. Поэтому вопрос о достоверности субъективных оценок является открытым.
Конечно, потребителю хотелось бы иметь более надежные оценки качества видеокодеков. При этом желательно, чтобы эти оценки облада-ли свойством повторяемости. И здесь на сцену выступают объективные метрики качества видео, в случае которых не только другие эксперты, но и сам потребитель может повторить все экспе-рименты. Сам процесс тестирования также весь-ма технологичен: нажал на кнопку – получил ре-зультат.
В данной статье будут рассмотрены приме-няемые для оценки качества видео объективные метрики, показаны их достоинства и недостатки, возникающие при использовании данных метрик проблемы. Но прежде чем перейти к самим мет-рикам, необходимо сказать несколько слов про особенности человеческого восприятия видео, так как эти особенности влияют как на построе-ние алгоритмов сжатия, так и объективных мет-рик оценки качества.
ОСОБЕННОСТИ ЧЕЛОВЕЧЕСКОГО ЗРЕНИЯ
Знание особенностей человеческого зрения позволяет строить объективные метрики оценки качества видео, наиболее близко коррелирующие с субъективными оценками.
К наиболее важным свойствам человеческого зрения отнесем следующие.
Чувствительность к изменению яркости изображения. Зрение человека способно адаптироваться к широкому диапазону яркостей, и в каждом диапазоне человек способен разли-чить определенные уровни яркостей. Эта разре-шающая способность зависит не от разности уровней яркости, а от отношения этой разности к среднему значению яркости, т. е. от контраста.
Частотная чувствительность чело-веческого зрения проявляется в том, что человек гораздо более восприимчив к низкочастотному, чем к высокочастотному шуму. Это связано с не-равномерностью амплитудно-частотной характе-ристики системы зрения человека.
Особенностью цветового восприятия человека является то, что некоторые цвета могут сосуществовать в его восприятии (например, красноватый желтый ощущается как оранже-вый), а другие – не могут (противоположные цвета). Именно эта особенность используется при представлении изображений различными цветоразностными схемами.
Эффект маскирования в пространствен-ной области заключается в увеличении поро-га обнаружения видеосигнала в присутствии другого сигнала, обладающего аналогичными характеристиками. Поэтому, аддитивный шум гораздо заметнее на гладких участках изображе-ния, чем на высокочастотных, то есть в послед-нем случае наблюдается маскирование. Наиболее сильно эффект маскирования проявляется, когда оба сигнала имеют одинаковую ориентацию и местоположение.
Эффект маскирования во временной об-ласти заключается в том, что из-за инерци-онности зрения человек не сразу обнаруживает изменение яркости сцены видеопоследователь-ности.
ТРЕБОВАНИЯ К ОБЪЕКТИВНЫМ МЕТРИКАМ КАЧЕСТВА ВИДЕО
Можно предъявить несколько требований к метрикам. В работе [1] приведены следующие требования:
1. Релевантность метрики: «лучшим» субъективно видеофрагментам должно соответ-ствовать «лучшее» значение метрики. Эту харак-теристику можно измерить количественно, на-пример, с помощью коэффициента корреляции Пирсона либо оценить графически, как это пока-зано на рис
 2. Монотонность метри-ки: в идеальном случае разность между двумя объективными оценками видеофрагментов должна иметь тот же знак, что и разность между двумя субъективными оценками этого материа-ла. Оценивается ранговым коэффициентом кор-реляции Спирмана.
3. Согласованность метрики: «откло-нение» ее значений от предсказанных на основе субъективных метрик значений не должно быть большим. Вычисляется следующим образом. Вначале выполняется ряд субъективных оценок видеофрагмента. Результаты статистически об-рабатываются, и находится СКО оценок. Затем вычисляются значения объективных метрик, и находится их количество, которые отстоят от субъективных оценок на расстоянии более чем удвоенное значение СКО.
ОБЪЕКТИВНЫЕ МЕТРИКИ КАЧЕСТВА ИЗОБРАЖЕНИЙ
В диссертации [2] рассмотрено шесть клас-сов метрик качества изображений:
1) Пиксельные.
2) Корреляционные.
3) Контурные.
4) Спектральные.
5) Контекстные.
6) Учитывающие систему человеческого зре-ния.
1. Пиксельные метрики
К пиксельным метрикам относятся, во-первых, различные вариации метрики Минков-ского, например, пиковое отношение сиг-нал/шум, которое вводится как логарифм отно-шения максимально возможной энергии сигнала к квадрату среднеквадратической ошибки (СКО).
К этой метрике справедливо предъявляются претензии относительно ее несоответствию трем вышеприведенным требованиям. Несмотря на это, она широко используется, но не все знают, что в ее применении есть один нюанс: сначала необходимо вычислить СКО по отдельным об-ластям (цветовым каналам, различным кадрам видео и т. д.), а затем уже брать логарифм от среднего значения СКО.
Другая возможная пиксельная метрика – максимальная разность между пикселами. Здесь рекомендуется вычислять несколько значений максимальной разности и находить их средне-квадратическое значение.
Рассмотренные выше метрики имеют то ог-раничение, что при их применении сравниваются только изображения целиком. Может оказаться полезным проводить сравнение изображений, представленных при разных масштабах. Извест-но, что система человеческого зрения вначале оценивает низкочастотную копию изображения, затем уже вникает в детали. Таким образом, раз-нице между изображениями, взятыми с грубым разрешением, можно придать большие веса, а разнице высокочастотных деталей – малые веса. Такая метрика находит применение в системах машинного зрения.
2. Корреляционные метрики
Корреляционные меры взаимосвязаны с ме-рами расстояния: если два изображения иден-тичны, коэффициент корреляции будет равен 1, если квадрат ошибки равен энергии изображения (например, значения пикселов другого изобра-жения равны нулю), то корреляционная мера бу-дет равна нулю.
Корреляцию можно вычислять как между пикселами изображений, так и между образован-ными ими векторами (например, корреляция уг-лов между векторами).
3. Контурные метрики
Во многих работах показано, что контуры являются наиболее информативной частью изо-бражения. Именно контуры выделяет в первую очередь система человеческого зрения, анализ контуров используется в машинном зрении. Зна-чит, качество контуров говорит о качестве изо-бражения. Примеры деградации контуров вклю-чают в себя разрыв линий, размытие линий, сме-щение линий, ложные контуры и т. д.
Для того чтобы выполнить сравнение изо-бражений на основе контуров необходимо ка-ким-то образом выделить контуры на исходном изображении (оконтурить его), затем тем же ме-тодом выделить контуры на восстановленном изображении и сравнить их (например, вычис-лить корреляцию).
4. Метрики в спектральной области
После вычисления преобразования Фурье изображения имеется возможность сравнивать амплитуду и фазу получившегося спектра. Из-вестны предложения по построению на этой ос-нове метрик оценки качества изображений.
5. Контекстные метрики
В контекстных метриках используется нали-чие корреляционных связей между соседними пикселами изображения и их ослабление в иска-женном изображении.
Для получения метрики необходимо уметь вычислять многомерную функцию распределе-ния вероятности значений пикселов из некоторой окрестности и научиться уметь определять изме-нение этой функции.
Другим подходом к локальной оценке иска-жения изображения является вычисление и срав-нение для исходного и искаженного изображе-ний локальных гистограмм, например, для бло-ков размером 16 х 16. Сравнение может быть выполнено путем применения, например, ранго-вого корреляционного критерия Спирмана.
6. Метрики, учитывающие свойства чело-веческого зрения
Одной из возможностей построения метрик данного класса является предварительная фильт-рация изображений полосовыми фильтрами, имитирующими их восприятие человеком.
Другой возможностью построения метрик, учитывающих свойства зрения, является выпол-нение вейвлет-преобразования исходного и ис-каженного изображений, в результате чего изо-бражения будут представлены на нескольких масштабах. Далее для каждой субполосы вейв-лет-области надо выбрать масштабный вес, на который будет умножаться та или иная метрика, вычисленная локально для этой области. В зави-симости от задачи эти веса могут варьироваться. Например, если важен учет высокочастотных со-ставляющих (четкость линий и т. д.), то веса для высокочастотных областей могут быть увеличе-ны.
Метрика может вычисляться как для всей субполосы, так и локально, для ее блоков с по-следующим усреднением тем или иным образом.
В работе [2] было изучено множество метрик рассмотренных классов и изучена их «самостоя-тельность». Близкое размещение метрик на рис. означает их коррелированность (и избыточ-ность).
 ЭКСПЕРИМЕНТЫ ПО ОЦЕНКЕ КАЧЕСТВА ВИДЕОКОДЕКОВ. ПЕРСПЕКТИВНАЯМЕТРИКА
Специалистами факультета ВМиК МГУ раз-работано программное обеспечение и на протя-жении лет проводится тестирование различных видеокодеков как на основе субъективных, так и объективных метрик качества. С результатами можно ознакомиться на сайте, посвященном сжатию [3]. Там же можно скачать и соответст-вующее программное обеспечение.
В процессе экспериментов наилучшие ре-зультаты показала новая метрика SSIM (Struc-tural Similarity Image Measure). Как следует из названия, эта метрика оценивает структурную схожесть изображений. Подробное изложение теории этой метрики приведено в работе авторов [4], здесь же приведем общую схему ее вычисления
ЧТО ДАЛЬШЕ?
Мировым сообществом предпринимаются значительные усилия по разработке новых, более эффективных объективных метрик оценок каче-ства видео. Основные направления исследований сосредоточены на следующих направлениях:
- разработка адекватных моделей человече-ского зрения;
- построение адаптивных моделей человече-ского зрения;
- построение метрик, почти совсем или пол-ностью не требующих для оценки качества ори-гинала видеопоследовательности.
Ведущим сообществом в данных исследова-ниях является Video Quality Experts Group (VQEG), материалы которой можно получить через Интернет, также как и источники, ссылки на которые приведены по тексту статьи.
Источник: Журнал Технологии защиты №2 2008
|
|
