Перцептивная оценка качества видео (PEVQ) — это сквозной (E2E) алгоритм измерения для оценки качества изображения видеопрезентации с помощью 5-балльной средней оценки мнения (MOS). Таким образом, это модель качества видео. PEVQ был протестирован Группой экспертов по качеству видео (VQEG) в ходе этапа мультимедийных испытаний 2007–2008 гг. Основываясь на результатах производительности, в ходе которых точность PEVQ проверялась в сравнении с оценками, полученными зрителями , PEVQ стал частью нового международного стандарта. [1]
Алгоритм измерения может применяться для анализа видимых артефактов, вызванных процессом кодирования/декодирования (или транскодирования) цифрового видео, сетями передачи на базе радио или IP и устройствами конечного пользователя. Сценарии приложений относятся к сетевым и мобильным услугам следующего поколения и включают IPTV ( телевидение стандартной четкости и HDTV ), потоковое видео , мобильное телевидение , видеотелефонию , видеоконференции и обмен видеосообщениями .
Парадигма измерения заключается в оценке ухудшения характеристик декодированной видеопоследовательности, выводимой из сети (например, полученной телевизионной приставкой) по сравнению с исходным эталонным изображением (транслируемым из студии). Следовательно, установка называется сквозным (E2E) тестированием качества.
Разработка алгоритмов анализа качества изображения, доступных сегодня, началась с моделей неподвижных изображений, которые позже были усовершенствованы, чтобы также охватывать движущиеся изображения. PEVQ — это полноэталонный алгоритм (см. классификацию моделей по качеству видео ), который анализирует изображение попиксельно после временного выравнивания (также называемого «временной регистрацией») соответствующих опорных кадров и тестового сигнала. Результаты PEVQ MOS варьируются от 1 (плохо) до 5 (отлично) и указывают на воспринимаемое качество декодированной последовательности.
PEVQ основан на моделировании поведения зрительной системы человека. В дополнение к общему баллу MOS, PEVQ количественно определяет отклонения в видеосигнале с помощью различных KPI , включая PSNR , индикаторы искажения и задержку синхронизации губ.