[发明专利]视频质量评价和特征字典的训练方法、装置和介质

权利要求书

1.一种视频质量评价方法，其特征在于，所述方法包括：

获取待评价视频的特征信息；

根据预先存储的特征字典，对所述待评价视频的特征信息进行稀疏表示，得到稀疏系数；

获取所述特征字典中表示评价值的向量，与所述稀疏系数构成的向量进行相乘，得到所述待评价视频的评价值；

其中，所述特征字典通过以下方法训练得到：

获取N个不同失真程度的视频作为N个训练样本；其中，N为正整数；

获取各训练样本的特征信息；

针对每个训练样本，将该训练样本的特征信息与评价值对应组合，得到列向量；由N个训练样本的列向量构成训练矩阵；

根据所述训练矩阵，训练得到特征字典。

2.根据权利要求1所述的方法，其特征在于，所述特征字典是根据KSVD训练方法中基于稀疏度控制时训练得到的特征字典；所述特征字典的最后一行的行向量为所述表示评价值的向量。

3.根据权利要求1所述的方法，其特征在于，获取待评价视频的特征信息，具体包括：

提取所述待评价视频的空间域和时间域的纹理特征，并提取所述待评价视频的颜色特征，得到所述待评价视频的特征信息。

4.根据权利要求3所述的方法，其特征在于，得到所述待评价视频的特征信息之后，还包括：

对所述特征信息采用主成分分析方法进行降维。

5.根据权利要求3所述的方法，其特征在于，提取所述待评价视频的空间域的纹理特征，具体包括：

随机选取待评价视频中的连续几帧图像；

获取所述连续几帧图像中每帧图像的所有像素点的像素值；

根据所述像素值，计算每帧图像的梯度向量；

根据所述梯度向量，得到每帧图像的第一梯度幅值图；

针对每个第一梯度幅值图、计算J个非对称广义高斯分布参数；其中，J为正整数；

针对每帧图像，根据所述非对称广义高斯分布参数，计算J维的局部二值模式特征，得到该帧图像的空间域纹理特征；

将所述连续几帧图像的空间域纹理特征的集合作为所述待评价视频的空间域纹理特征。

6.根据权利要求5所述的方法，其特征在于，提取所述待评价视频的时间域的纹理特征，包括：

针对所述连续几帧图像，计算相邻两帧图像中对应像素点的像素值的差；

将所述相邻两帧图像中对应像素点的像素值的差，作为一幅差值图像；

针对所述每幅差值图像，根据各像素点的值，计算差值图像的梯度向量；

根据所述梯度向量，得到所述差值图像的第二梯度幅值图；

针对每个第二梯度幅值图、计算J个非对称广义高斯分布参数；其中，J为正整数；

针对每幅差值图像，根据所述非对称广义高斯分布参数，计算J维的局部二值模式特征，得到该差值图像的时间域纹理特征；

将所述每幅差值图像的时间域纹理特征的集合作为所述待评价视频的时间域纹理特征。

7.一种特征字典的训练方法，其特征在于，所述方法包括：

获取N个不同失真程度的视频作为N个训练样本；其中，N为正整数；

提取各训练样本的特征信息；

针对每个训练样本，将该训练样本的特征信息与评价值对应组合，得到列向量；由N个训练样本的列向量构成训练矩阵；

根据所述训练矩阵，训练得到特征字典。

8.根据权利要求7所述的方法，其特征在于，获取训练样本的特征信息，具体包括：

提取所述训练样本的空间域和时间域纹理特征，并提取所述训练样本的颜色特征，得到所述训练样本的特征信息。

9.根据权利要求8所述的方法，其特征在于，得到所述训练样本的特征信息之后，还包括：

对所述特征信息采用主成分分析方法进行降维。