在衡量視頻質(zhì)量的測量中

1、在衡量視頻質(zhì)量的測量中，為了指導視頻處理，我們定義了一個能測量原始信號與處理后信號之間的差別和客觀標準。這個標準是很重要的，它可以測量由壓縮引起的失真。理想情況下，這種測量應該與兩個視頻序列之間感覺上的差異相關聯(lián)。但實際是不可能的，為了計算方便，目前大多數(shù)視頻處理系統(tǒng)的設計是使兩個視頻序列1和2之間的均方差（MSE）最小化，它定義為：MSE=e2=1Nkm,n(1m,n,k-2(m,n,k)2這里N是每個序列中的總像素數(shù)。代替MSE以分貝（dB）為單位的峰值信噪比（PSNR）更 經(jīng)常用于視頻質(zhì)量測量當中。它是這樣定義的：PSNR=10log10max2e2這里max是視頻信號的峰（最大）強度值

2、。實際過程中，為了減少計算量，常常用來代替MSE的一種測量是平均絕對誤差（MAD），它定義為：MAD=1Nkm,n|1m,n,k-2m,n,k|雖然MSE和MAD與圖象間的感覺失真的相關性不是很好，但是它們在視頻編碼和處理、運動補償預測以及圖象恢復過程中都發(fā)揮著不可或缺的作用。本實驗中主要是應用于二維運動估計當中。在基于像素的二維運動估計中，必須估計每一個像素的MV，然而實際存在的問題是，我們必須施加平滑約束以使問題正則化。在已估計的運動場上施加平滑約束的一種方法是把圖象域分割成互相不重疊的稱為塊的小區(qū)域，并且假定每一塊內(nèi)的運動都可以用一個簡單的參數(shù)模型特征化。如果足夠小，那么這種模型是相當精

3、確的。在最簡單的情況下，每一個塊的運動被假定是恒定的，即整個塊進行平移。這稱為塊平移模型。這時候運動估計問題是為每一個塊尋找一個MV。這種類型的算法被共同地稱為塊匹配算法（BMA）。實驗原理： 在錨定幀m中給定一個圖象塊，此時的運動估計問題是在目標幀中確定一個匹配的m，使得這兩個塊之間的誤差為最小。這兩個塊的空間位置之間的位移矢量dm是這個塊的MV。在塊平移模型下，w(x;a)=x+dm,xm，所以這時候基于位移幀差準則的目標函數(shù)可以寫為：E(dm,mM)=mMxm|2x+dm-1(x)|p因為對于一個塊所估計的MV只影響這個塊的預測誤差，所以我們可以通過使每個塊的累積預測誤差最小化來個別地估

4、計每個塊的MV，即：Emdm=xm|2x+dm-1(x)|p確定使這個誤差為最小的dm的一種方法是使用窮盡搜索，這種方法被稱為窮盡匹配算法（EBMA）。即給定錨定幀的一個塊m確定最優(yōu)dm的方法是，在一個預先定義的搜索區(qū)域內(nèi)，把它與目標幀中所有的候選塊m進行比較，并且尋找具有最小誤差的一個。這兩個塊之間的位移就是所估計的MV。1 、整像素算法（1）、實驗程序運用Matlab語言編寫%f1: anchor frame; f2: target frame, fp: predicted image;%mvx,mvy: store the MV image%widthxheight: image siz

5、e; N: block size, R: search rangef2=imread('carcar1.bmp');f1=imread('carcar2.bmp');fp=0;figure,imshow(f2),title('target');figure,imshow(f1),title('anchor')N=16;R=16;height=256;width=256;for i=1:N:height-N+1for j=1:N:width-N+1 %for every block in the anchor frame % for

6、 every block (i,j), culculate the best matching block (i+k,j+l) in the rectangle scope% (i-R,j-k),(i+R,j+k)MAD_min=256*N*N;dy=0;dx=0;for k= -R:1:R,for l= -R:1:R %for every search candidate if i+k<1 MAD=256*N*N; elseif i+k>height-N MAD=256*N*N; elseif j+l<1 MAD=256*N*N; elseif j+l>width-N

7、 MAD=256*N*N; else% calculate MAD for this candidate MAD=sum(sum(abs(double(f1(i:i+N-1,j:j+N-1)-double(f2(i+k:i+k+N-1,j+l:j+l+N-1); endif MAD<MAD_minMAD_min=MAD;dy=k;dx=l;end;end;end;%put the best matching block in the predicted imagefp(i:i+N-1,j:j+N-1)= f2(i+dy:i+dy+N-1,j+dx:j+dx+N-1);iblk=floor

8、(i-1)/N+1); jblk=floor(j-1)/N+1); %block indexmvx(iblk,jblk)=dx;mvy(iblk,jblk)=dy; %record the estimated MVend;end;figure,imshow(uint8(fp),title('predict');% figure,quiver(mvx,mvy);title('move vector');X,Y=meshgrid(N/2:N:256-N/2);Y=256-Y;figure,quiver(X,Y,mvx,mvy),title('motion v

9、ector');diff=abs(double(f1)-fp);figure,imshow(uint8(diff),title('diff');PSNR=20*log10(255)+20*log10(256)-10*log10(sum(sum(diff.*diff); （2）、實驗結(jié)果 a、目標幀 b、錨定幀 c、預測幀 d、diff e、整像素精度的運動場2、半像素算法（1）、實驗程序運用Matlab語言編寫%f1: anchor frame; f2: target frame, fp: predicted image;%mvx,mvy: store the MV i

10、mage%widthxheight: image size; N: block size, R: search rangef2=imread('carcar1.bmp');f1=imread('carcar2.bmp');N=16;R=16;a,b=size(f1);f3=zeros(2.*a,2.*b);f4=f3;fp=f3; for i=1:a for j=1:b f3(2.*i-1,2.*j-1)=double(f1(i,j); f4(2.*i-1,2.*j-1)=double(f2(i,j); endendfor i=2:2:(2.*a-1) for

11、j=1:2:(2.*b-1) f3(i,j)=(f3(i-1,j)+f3(i+1,j)./2; f4(i,j)=(f4(i-1,j)+f4(i+1,j)./2 ; endendfor i=1:(2.*a-1) for j=2:2:(2.*b-1) f3(i,j)=floor(f3(i,j-1)+f3(i,j+1)./2+1./4); f4(i,j)=floor(f4(i,j-1)+f4(i,j+1)./2+1./4); endendfor i=2:2:(2.*a-1) for j=1:2:(2.*b-1) f3(i,j)=floor(f3(i,j)+1./2); f4(i,j)=floor(f

12、4(i,j)+1./2); endendfor j=1:(2.*b-1) f3(2.*a,j)=f3(2.*a-1,j).*2-f3(2.*a-2,j); f4(2.*a,j)=f4(2.*a-1,j).*2-f4(2.*a-2,j); endfor i=1:2.*a f3(i,2.*b)=f3(i,2.*b-1).*2-f3(i,2.*b-2); f4(i,2.*b)=f4(i,2.*b-1).*2-f4(i,2.*b-2); end for i=1:(2*N):(2*a)for j=1:(2*N):(2*b) %for every block in the anchor frame % f

13、or every block (i,j), culculate the best matching block (i+k,j+l) in the rectangle scope% (i-R,j-k),(i+R,j+k)MAD=256*2*N*2*N;dy=0;dx=0;for k= -(2*R):1:(2*R)for l= -(2*R):1:(2*R) %for every search candidate if i+k<1 min=256*2*N*2*N; elseif i+k>2*b-2*N min=256*2*N*2*N; elseif j+l<1 min=256*2*

14、N*2*N; elseif j+l>2*a-2*N min=256*2*N*2*N;else% calculate MAD for this candidate min=sum(sum(abs(double(f3(i:i+2*N-1,j:j+2*N-1)-double(f4(i+k:i+k+2*N-1,j+l:j+l+2*N-1);endif MAD>min MAD=min;dy=k;dx=l;end;end;end;%put the best matching block in the predicted imagefp(i:i+2*N-1,j:j+2*N-1)= f4(i+dy

15、:i+dy+2*N-1,j+dx:j+dx+2*N-1);iblk=floor(i-1)/(2*N)+1); jblk=floor(j-1)/(2*N)+1); %block indexmvx(iblk,jblk)=dx;mvy(iblk,jblk)=dy; %record the estimated MVend;end;for i=1:2:2*afor j=1:2:2*b %for every block in the anchor frame fp1(i-1)/2+1,(j-1)/2+1)=fp(i,j);end;end;figure,imshow(f2),title('target');figure,imshow(f1),title('anchor')figure,imshow(uint8(fp1),title('predict');% figure,quiver(mvx,mvy);title('move vector');X,Y=meshgrid(N/2:N:a);Y=b-Y;figure,quiver(X,Y,mvx,mvy),title('motion vector');diff=abs(double(f1)-double(fp1);figure,imsho