[发明专利]联合决策树和模糊推理的网络视频质量评估方法及系统

权利要求书

1.一种联合决策树和模糊推理的网络视频质量评估方法，其特征在于：包括：

步骤S10、获取视频质量的影响因素；

步骤S20、构建决策树模型，并根据评估值的分类，构建评估值与决策树模型的叶子节点之间的映射关系，得到不同类别的叶子节点；

步骤S30、根据叶子节点的类别选择对应的推理规则，将影响因素分为应用指标和图像指标两组，并分别以应用指标和图像指标作为输入进行模糊推理，得到应用指标推理结果和图像指标推理结果，计算应用指标推理结果和图像指标推理结果的加权平均值，即为视频质量的客观评估值。

2.如权利要求1所述的联合决策树和模糊推理的网络视频质量评估方法，其特征在于：所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应，其中平均停顿次数和平均停顿时间为应用指标，模糊度和块效应为图像指标。

3.如权利要求1所述的联合决策树和模糊推理的网络视频质量评估方法，其特征在于：所述步骤S20具体包括：

步骤S21、根据输入影响因素样本集以及决策树的劈分准则，构建决策树模型；所述劈分准则公式为：

其中，所述T代表输入的影响因素样本集，Ti代表第i个子样本，sd代表样本标准差，S_DR代表样本的劈分点；

步骤S22、对评估值进行分类，将0-5之间的评估值分为五类：Poor表示评估值为0-1，bad表示评估值为1-2，fair表示评估值为2-3，good表示评估值为3-4，Excellent表示评估值为4-5，并根据评估值的分类，构建评估值与决策树模型的叶子节点之间的映射关系，对应的得到五种类别的叶子节点。

4.如权利要求1所述的联合决策树和模糊推理的网络视频质量评估方法，其特征在于：所述“将影响因素分为应用指标和图像指标两组，并分别以应用指标和图像指标作为输入进行模糊推理，得到应用指标推理结果和图像指标推理结果”具体包括：

将叶子节点的影响因素中的应用指标作为第一输入集，将叶子节点的影响因素中的图像指标作为第二输入集；

利用单点模糊函数对各所述影响因素进行模糊化处理；

将模糊化处理后的各所述影响因素划分成NB,NM,ZE,PM,PB五个等级，并通过锥形隶属函数得到每个输入的影响因素的隶属度值；

将带有隶属度值的第一输入集输入到第一模糊推理自学习控制器进行模糊推理，生成第一推理结果；将带有隶属度值的第二输入集输入第二模糊推理自学习控制器进行模糊推理，生成第二推理结果；所述第一模糊推理自学习控制器以及第二模糊推理自学习控制器均采用Mamdani模糊规则进行模糊推理。

5.一种联合决策树和模糊推理的网络视频质量评估系统，其特征在于：包括影响因素获取模块、决策树构建模块和模糊推理模块；

所述影响因素获取模块，用于获取视频质量的影响因素；

所述决策树构建模块，用于构建决策树模型，并根据评估值的分类，构建评估值与决策树模型的叶子节点之间的映射关系，得到不同类别的叶子节点；

所述模糊推理模块，用于根据叶子节点的类别选择对应的推理规则，将影响因素分为应用指标和图像指标两组，并分别以应用指标和图像指标作为输入进行模糊推理，得到应用指标推理结果和图像指标推理结果，计算应用指标推理结果和图像指标推理结果的加权平均值，即为视频质量的客观评估值。

6.如权利要求5所述的联合决策树和模糊推理的网络视频质量评估系统，其特征在于：所述影响因素包括平均停顿次数、平均停顿时间、模糊度和块效应，其中平均停顿次数和平均停顿时间为应用指标，模糊度和块效应为图像指标。