Piotr Romaniak Lucjan Janowski Mikołaj Leszczuk Zdzisław Papir

Komentarze

Transkrypt

Piotr Romaniak Lucjan Janowski Mikołaj Leszczuk Zdzisław Papir
Piotr Romaniak
Lucjan Janowski
Mikołaj Leszczuk
Zdzisław Papir
Akademia Górniczo-Hutnicza
{romaniak, janowski, leszczuk, papir}@kt.agh.edu.pl
Warszawa, 17-19 czerwca 2009 r..
OCENA JAKOŚCI SEKWENCJI WIZYJNYCH DLA APLIKACJI STRUMIENIOWANIA „NA ŻYWO”
W ŚRODOWISKU MOBILNYM
Streszczenie: Aplikacje strumieniowania „na żywo”
w środowisku mobilnym będą jednymi z najistotniejszych
aplikacji przyszłych bezprzewodowych systemów multimedialnych. Dla ich poprawnego funkcjonowania konieczne
będą mechanizmy oceny i kontroli jakości postrzeganej
przez użytkownika (ang. Quality of Experience, QoE) służące zapewnieniu odpowiedniej jakości transmitowanych
sekwencji wizyjnych, podtrzymania zainteresowania obecnych i nowych użytkowników, a w konsekwencji, maksymalizacji zysków dostawców usług. Artykuł ten uwidacznia
potrzebę oceny artefaktów obrazowych dla aplikacji strumieniowania „na żywo” w środowisku mobilnym oraz
opisuje modele oceny jakości postrzeganej w scenariuszu
bez referencji (ang. No-Reference, NR). Zaproponowane
modele zostały zweryfikowane na podstawie wyników eksperymentów psychofizycznych. Otrzymane wyniki dowodzą przydatności zaproponowanych mechanizmów w zakresie oceny jakości dla aplikacji strumieniowania „na
żywo” w środowisku mobilnym oraz potwierdzają dużą
korelację z odczuciami użytkowników.
1.
WSTĘP
Znaczenie rozwiązań strumieniowania „na żywo”
w środowisku mobilnym, funkcjonujących w oparciu o
sieci bezprzewodowe, zostało pozytywnie zweryfikowane w ostatnich latach przez powstanie licznych aplikacji,
takich jak mobilna telewizja IP czy systemy monitoringu
wizyjnego w obszarach miejskich. W odróżnieniu od
tradycyjnych zastosowań, takich jak przeglądanie stron
WWW, aplikacje multimedialne czasu rzeczywistego
wymagają mechanizmów przesyłu treści o niskim poziomie negatywnego wpływu na odczuwaną przez użytkowników jakość obrazu przekazu [1]. Aby sprostać
temu wymaganiu, zwiększać zadowolenie użytkowników, a w konsekwencji zwiększać zyski dostawców
usług, musi zostać stworzony i wdrożony system oceny/weryfikacji artefaktów wideo. Rozwiązanie to powinno być zaprojektowane na potrzeby bezprzewodowej
infrastruktury przesyłowej w celu pseudo-subiektywnej
kontroli jakości sekwencji wizyjnych przesyłanych w
scenariuszu „na żywo” [1]. Termin „pseudosubiektywna” oznacza kontrolę z wykorzystaniem metryk obiektywnych, zweryfikowanych na podstawie ocen
subiektywnych.
Z uwagi na ograniczenia tradycyjnych rozwiązań
opartych na pojęciu jakości usługi (ang. Quality of Service, QoS), konieczne jest wprowadzanie rozwiązań
takich jak opisanych w pracy [3], czyli biorących pod
uwagę multimedialne cechy transmisji, system wizyjny
człowieka (ang. Human Visual System, HVS) oraz poziom jakości postrzeganej przez użytkownika (ang. Quality of Experience, QoE). Jednakże, większość z obec-
nie dostępnych systemów oceny QoE, zostało zaprojektowanych albo pod kątem jednego specyficznego typu
treści wizyjnej/aplikacji albo pod kątem jednego specyficznego scenariusza usługi bezprzewodowej. Dodatkowo, rozwój nowych modeli QoE pracujących w scenariuszu bez referencji (ang. No-Reference, NR) jest wciąż
dużym wyzwaniem badawczym z uwagi na ograniczenia
obecnych metryk, które muszą charakteryzować się
aplikacyjnością w środowisku poza-laboratoryjnym,
zróżnicowaniem oceny z uwagi na treść i profil użytkownika, odpornością na wielorakość pojawiających się
zniekształceń, a także koniecznością spełniania wymagania niskiej złożoności obliczeniowej.
Artykuł ten uwidacznia potrzebę oceny artefaktów
obrazowych dla aplikacji strumieniowania „na żywo” w
środowisku mobilnym oraz opisuje modele oceny w
scenariuszu NR. Zaproponowane rozwiązania zostały
zweryfikowane z wykorzystaniem wyników eksperymentów psychofizycznych. Otrzymane rezultaty pokazują przydatność zaproponowanych mechanizmów do
oceny jakości aplikacji strumieniowania „na żywo” w
środowisku mobilnym oraz potwierdzają dużą korelację
z odczuciami użytkowników.
2.
PROPONOWANA KONCEPCJA
Ideą prezentowaną w tym artykule jest stworzenie
technologii i narzędzi, które mogą być wdrożone przez
dostawców usług w celu ustawicznego monitorowania
ogólnej jakości usług strumieniowania sekwencji wizyjnych. Wyniki badań (technologia i narzędzia) jest przewidziana do implementacji w powszechnych, komercyjnych usługach mobilnych.
Najbardziej innowacyjną i charakterystyczną funkcjonalnością systemu jest wprowadzenie metryk NR
pozwalających na ocenę i monitorowanie QoE. Należy
przy tym zauważyć, że zaproponowana wiarygodna
ocena odczuwalnej jakości sekwencji wizyjnych, kontrola jakości oparta na numerycznych estymacjach QoE
oraz obliczanie dokładności rekonstrukcji sygnału wizyjnego w kontekście konkretnych parametrów i warunków odtwarzania transmisji, odgrywają fundamentalną
rolę w procesach zapewniania QoE dla usług opartych na
strumieniowaniu sekwencji wizyjnych.
Jak wspominano, rozwiązanie estymacji jakości,
umożliwiające ocenę sekwencji wizyjnych w sytuacji
kiedy brak jest dostępnej referencji, jest wciąż wyzwaniem. W odróżnieniu od wszystkich metod opartych na
referencji (rozwiązania z pełną referencją, ang. FullReference, FR i rozwiązania ze zredukowana referencją,
ang. Reduced-Reference, RR), które ograniczone są
niedoskonałością jakości źródłowych sekwencji wizyjnych, podejście NR ocenia jakość bezwzględną, widzianą z punktu widzenia użytkownika. Rozwiązanie NR nie
wymaga dodatkowego, idealnego kanału do przesyłania
danych służących potem jako referencja. Dodatkowo,
rozwiązania NR pozwalają na śledzenie sesji przesyłanych „na żywo”, co pozwala na dostarczanie rezultatów
estymacji w czasie rzeczywistym.
W przypadku rzeczywistych aplikacji jesteśmy zainteresowani bezwzględną jakością w zakresie od początku do końca (ang. end-to-end) łańcucha dostarczania
mediów. Metody oceny jakości typu NR są więc naturalną odpowiedzią na potrzeby rzeczywistych scenariuszy strumieniowania sekwencji wizyjnych.
Reasumując, na prezentowaną przez nas ideę składa się stworzenie i implementacja metryk QoE, które
oparte są na preferencjach użytkownika, ocenach subiektywnych, charakterystykach obserwatora a także na
sprzężeniu zwrotnym powstałym przez iteracyjne weryfikacje metryk, modyfikujące ich parametry na podstawie wspomnianych ocen subiektywnych.
3. SZCZEGÓŁY
Sekcja ta zawiera szczegółowy opis zaproponowanego podejścia do percepcyjnej oceny jakości sekwencji
wideo w oparciu o analizę artefaktów obrazu. Przedstawione metryki adresują najważniejsze artefakty typowe
dla materiału źródłowego (przed kompresją i transmisją)
jak i zniekształcenia wprowadzane przez stratną kompresję [1], [2]. W pierwszym przypadku najważniejszymi
artefaktami są zaszumienie i rozmycie (typowe dla amatorskich sekwencji wizyjnych), natomiast kompresja
wprowadza dobrze znany artefakt blokowy oraz migotanie bloków (opisane w dalszej części).
Zaprezentowane zostały szczegóły implementacji
poszczególnych metryk, sposób przeprowadzenia testów
subiektywnych, metodyka analizy otrzymanych rezultatów oraz wyniki korelacji zaproponowanych miar z
odczuciami użytkowników.
3.1. Metryki obiektywne do pomiaru artefaktów wideo
Podrozdział ten zawiera opis czterech metryk służących do oceny artefaktów wideo w scenariuszu bez
referencji. Dwie pierwsze metryki odnoszą się do oceny
jakości materiału źródłowego, natomiast kolejne dwie do
oceny artefaktów spowodowanych stratną kompresją
wewnątrzklatkową (artefakt blokowy) oraz międzyklatkową (migotanie bloków obrazu).
Pierwsza z zaproponowanych metryk dotyczy pomiaru zaszumienia obrazu. Pierwotna koncepcja pomiaru
została opisana przez Lee w [3] i opiera się na stwierdzeniu, że najbardziej efektywną metodą oceny stopnia
zaszumienia obrazu jest identyfikacja jednorodnych
obszarów a następnie policzenie dla nich prostych statystyk, ograniczających się do średnich oraz odchyleń
standardowych jasności pojedynczych pikseli. Bardziej
aktualne badania korzystające z tej koncepcji zaprezentował Dosselmann w [5].
W proponowanym przez autorów niniejszego artykułu podejściu zastosowano udoskonaloną metodę wykrywania jednorodnych obszarów, która zapewnia wybór
porównywalnej liczby obszarów dla obrazów prezentujących zróżnicowane pod względem ilości detali treści.
Jest to zaletą w porównaniu z dotychczasowymi rozwiązaniami zakładającymi stałe kryterium klasyfikacji obszarów (w skrajnych przypadkach cały obraz zakwalifikowany jako obszar jednorodny lub zupełny brak obszarów spełniających kryterium dla obrazów prezentujących
duża ilość detali). W prezentowanym podejściu swoje
odbicie znajduje także zjawisko maskowania przestrzennego przez odpowiednie ważenie miary dla pojedynczej
ramki ze względu na ilość detali obrazu.
Najpopularniejszym sposobem określania stopnia
rozmycia obrazu jest uwzględnienie faktu, że rozmycie
wpływa na zmniejszenie ostrości krawędzi znajdujących
się na obrazie. Aktualne wyniki badań korzystających z
tego faktu znajdują się w [5]. Zaproponowana metryka
oceny rozmycia obrazu bazuje na pomiarze szerokości
tylko i wyłącznie najostrzejszych krawędzi wykrytych w
obrazie. Należy założyć, że każdy, nawet najbardziej
jednorodny obraz, posiada przynajmniej kilka ostrych
krawędzi. Dzięki takiemu podejściu wyeliminowany
zostaje niekorzystny efekt zależności miary od treści
prezentowanej w sekwencji wizyjnej. Pierwszym krokiem w pomiarze jest detekcja ostrych krawędzi obrazu z
użyciem filtru ‘sobel’. W następnym kroku dokonywany
jest pomiar ich średniej szerokości wyrażonej w ilości
pikseli znajdujących się na lewo oraz prawo od środka
krawędzi, które spełniają następujące kryteria: 1) jasność
pikseli na prawo rośnie/maleje monotonicznie dla podnoszącej się/opadającej krawędzi, 2) analogicznie dla
pikseli na lewo, oraz 3) nachylenie krawędzi (czyli różnica pomiędzy wartościami jasności kolejnych pikseli)
nie spada poniżej określonego poziomu. Poziom ten
określany jest dynamicznie, na podstawie odchylenia
standardowego jasności sąsiadujących pikseli.
Metryka do pomiaru artefaktu blokowego bazuje na
założeniu, że każdy pojedynczy artefakt blokowy posiada przynajmniej jeden widoczny róg, wyrównany do
granic bloków kodowych. Dotychczasowe osiągnięcia w
dziedzinie implementacji metryk do pomiaru artefaktu
blokowego zaprezentowane zostały w [5]. W zaproponowanym przez autorów podejściu miara obliczana jest
lokalnie, dla każdego bloku kodowego obrazu. Absolutna różnica w jasności pikseli liczona jest oddzielnie dla
1) par pikseli znajdujących się w obszarze jednego bloku, oraz 2) par pikseli z sąsiadujących bloków. Stosunek
tych wielkości stanowi miarę artefaktu blokowego.
Pomiar migotania bloków obrazu (ang. flickering)
zainspirowany został pracą przedstawioną przez Pandela
w [6]. Zgodnie z pracą, migotanie jest najważniejszym
typem zniekształcenia występującego dla sekwencji
wideo z kodowaniem międzyramkowych. Zjawisko to
jest widoczne dla sekwencji wizyjnych zakodowanych z
użyciem np. kodeków H.264 (w badaniach użyto implementacji x264). Szczególnie podatnymi na ten efekt są
sekwencje wideo zawierające powolną zmianę perspektywy (przemieszczająca się kamera, przybliżenie, oddalenie lub obrót). W schematach kodowania międzyramkowego wartości poszczególnych bloków nie są aktualizowane (kodowane) dopóki różnica pomiędzy odpowiadającym blokiem z kolejnych ramek nie przekracza
dopuszczalnej wartości. Im większa kompresja tym
większa jest ta wartość. Sugeruje to, że bloki obrazu
mogą pozostawać w jednym z dwóch stanów: 1) brak
aktualizacji lub 2) aktualizacja. Częste przejścia pomiędzy tymi stanami oznaczać będą mocny efekt migotania.
Dwustanowy model z histerezą do pomiaru migotania
zaprezentował Pandel w [6]. Miara obliczana jest lokalnie dla każdego bloku obrazu, jako liczba przejść pomiędzy stanami normalizowana względem czasu (większa ilość przejść oznacza większy poziom migotania).
Naszą wartość dodaną do pracy Pandela stanowią
trzy elementy. Po pierwsze, definicja progu przełączania
pomiędzy stanami. W [6] zastosowano inny sposób obliczania tego poziomu a jego wartość nie została podana.
W naszych badania obliczamy ten próg dynamicznie,
jako sumę różnic w jasności pikseli dla każdego z bloków obrazu, każdy rozmiaru 8x8 pikseli. Z przebadanego zakresu od 0,3 do 1,4 (gdzie 1 oznacza maksymalny
poziom jasności) wybrano 0,9, jako wartość dającą najlepsze wyniki. Kolejnym dodanym elementem jest zaproponowanie metody uśredniania wartości miary dla
całej ramki wideo (ang. spatial pooling), zakładającej
uśrednianie bloków posiadających największą wartość
miary. Pozwala to uwzględnić fakt, że człowiek oglądający sekwencję wizyjną wyrabia sobie opinię o jakości
na podstawie kilku najgorszych punktów obrazu, bez
uśredniania całości. Przebadanym zakresem ilości bloków używanych do obliczania miary dla całej ramki był
przedział od 0,5% do 10% całkowitej liczby. Najlepszy
wyniki osiągnięto dla wartości 2%. Ostatnim i najważniejszym elementem dodanym jest fakt takiego wyboru
opisanych powyżej parametrów (próg przełączania oraz
% bloków) aby uzyskać maksymalną korelację powstałej
miary z odczuciami użytkowników, obliczoną na podstawie porównania z wynikami testów subiektywnych.
3.2. Testy subiektywne i tworzenie modeli
Metryki obiektywne mierzące zniekształcenia opisane w rozdziale 3.1 są niewystarczające, ponieważ celem
prezentowanej analizy jest oszacowanie wpływu danego
zniekształcenia na jakość postrzeganą przez użytkownika (czyli stworzenie modelu). W celu uwzględnienia
oceny subiektywnej muszą zostać przeprowadzone odpowiednie testy [7].
Testy polegają na ocenie jakości postrzeganej przez
testerów w pewnej skali. Rekomendacja [7] podaje wiele
sposobów zarówno na sam sposób oceniania (z referencją, ukrytą referencją oraz bez referencji) oraz różne
skale, różniące się nawet dla tego samego sposobu oceniania. Dla przykładu dla scenariusza bez referencji
można użyć skal dyskretnych o 5, 9 lub 11 wartościach
lub nawet skali ciągłej. Najpopularniejszym sposobem
prezentowania wyników subiektywnych jest wartość
MOS (ang. Mean Opinion Score) będąca średnią otrzymanych wyników.
Gdy dysponujemy już wynikami testów subiektywnych (w badaniach wzięło udział 100 studentów), kolejnym krokiem jest odwzorowania wartości miar obiektywnych opisanych w rozdziale 3.1 na wartość subiektywną (wynik testów). Odwzorowanie takie może odbywać się za pomocą różnych metod statystycznych dostosowanych do konkretnych wyników. W przypadku, gdy
testy subiektywne obejmowały małą liczbę odpowiedzi
(np. skala pięciostopniowa), poprawnym statystycznie
modelem jest model GLZ (ang. Generalized Linear
Model) [8], [9]. W naszych badaniach użyliśmy 11-sto
stopniowej skali ocen (zgodnie z najnowszymi wytycznymi grupy VQEG) co pozwoliło zastosować model
regresyjny. Zaproponowanym przez nas modelem jest
asymetryczna funkcja logitowa [10] dana wzorem:
 exp( ax  b) 

f ( x)  10
 1  exp( ax  b) 
c
(1)
Ponieważ funkcja (1) jest silnie nieliniowa nie otrzymaliśmy przeprowadziliśmy statystycznej analizy otrzymanych współczynników.
Rys. 1. Wykres korelacji i dopasowania miary zaszumienia w funkcji MOS
Rys. 2. Wykres korelacji i dopasowania miary artefaktu
blokowego w funkcji MOS
Otrzymane wyniki silnie zależą od tego, jak bardzo
dana miara obiektywna wpływa na postrzeganą jakość
sekwencji wizyjnej. Przykład korelacji dwóch miar
obiektywnych z wynikami testów subiektywnych przedstawiają Rys. 1 i 2. Są to miary dopasowane najlepiej
(miara szumu) i najgorzej (miara artefaktu blokowego).
Wyniki dokładności dopasowania dla wszystkich miar są
następujące: 𝑅2 = 0,98 dla miary szumu, 𝑅2 = 0,90 dla
miary rozmycia, 𝑅2 = 0,89 dla miary migotania bloków
oraz 𝑅2 = 0,74 dla miary artefaktu blokowego.
Należy zauważyć, że same odpowiedzi testerów są
dość silnie rozrzucone, co wynika z niejednoznaczności
oceny jakości podejmowanej przez każdego testera. Ze
względu na powyższe, współczynnik dopasowania na
poziomie 0.9 jest bardzo dobrym i obiecującym rezulta-
tem. Jedyna miara, która znacząco dobiega od tego poziomu, jest miara artefaktu blokowego, choć nawet w
tym przypadku jedynie kilka punktów znacząco odstaje
od dopasowanej krzywej.
4. PODOBNE ROZWIĄZANIA
Nowe podejście do oceny QoE dla celów zarządzania jakością, nazwane modelem warstwy strumienia
bitowego (ang. bit-stream-layer model), umożliwiające
estymowanie poziomu jakości usług IPTV, zostało
przedstawione w pracy [11]. Zaproponowany model
obiektywnej oceny jakości, analizując informacje ze
strumienia bitowego, bierze pod uwagę efekty zależności
oceny jakości od treści. Rozwiązanie to ocenia QoE
indywidualnego użytkownika końcowego, zbierając
informacje (związane z sekwencjami wizyjnymi) w
różnych warstwach, w tym w warstwie mediów, strumienia elementarnego, strumienia transportowego lub
strumienia MP4, protokołu RTP (ang. Real Time Protocol), protokołu UDP i protokołu IP. Niestety, rozwiązanie to wprowadza skomplikowany system pracujący w
wielu warstwach i wykazujący braki w zakresie uniwersalności co do metryk, które mogą być użyte w procesie
oceny. Dodatkowo, składowe metryki QoE użyte w
systemie, należą do najprostszych i w konsekwencji
wykazują niska korelację z ocenami subiektywnymi.
Inne rozwiązanie, proponujące ocenę i kontrolę jakości obrazów nieruchomych i sekwencji wizyjnych,
zostało przedstawione w pracy [12]. Rozwiązanie to
zostało stworzone przy użyciu sieci neuronowej, wspiera
pomiar szczytowego stosunku sygnału do szumu (ang.
Peak Signal-to-Noise Ratio, PSNR) oraz indeksu podobieństwa strukturalnego (ang. Structure Similarity,
SSIM). Sieć neuronowa została użyta do określenia
obiektywnych indeksów oceny jakości oraz do subiektywnej oceny jakości. Rozwiązanie to nie pozwala na
pomiar jakości w rzeczywistym czasie świadczenia usługi ani nie zapewnia też możliwości skorzystania ze scenariusza NR w procesie oceny jakości. Dodatkowo,
metryka PSNR dostarcza jedynie ilościowych informacji
na temat różnicy pomiędzy otrzymana ramką a sygnałem
referencyjnym, natomiast inne istotne aspekty, takie jak
charakterystyki HVS, nie są brane pod uwagę. Innym
problemem wspomnianego rozwiązania jest brak możliwości dostarczenia dostawcom usług rozwiązania pozwalającego na wybór metryk, które powinny być użyte
w zależności od specyficznych scenariuszy.
Z przedstawionej analizy podobnych rozwiązań
wynika, że dla oceny rzeczywistych usług odpowiednie
są wyłącznie metryki NR. Wiele rozwiązań korzysta
jednak dla celów oceny jakości z metryk FR, które nie są
dostosowane do potrzeb oceny jakości aplikacji wizyjnych czasu rzeczywistego. W konsekwencji, koniecznym wydaje się zastosowanie elastycznego rozwiązania,
które pozwoliłoby na konfigurację różnych metryk lub
umożliwiałoby dopasowanie systemu oceny do różnych
sytuacji transmisyjnych.
5. PODSUMOWANIE
W artykule przedstawiono system oceny QoE, który umożliwia dokonywanie pomiaru artefaktów wystę-
pujących w sekwencjach wizyjnych. Otrzymane rezultaty pokazują, że zaproponowane metryki charakteryzują
się bardzo wysoką korelacją z ocenami subiektywnymi.
Jedynie miara artefaktu blokowego osiąga trochę niższą,
lecz wciąż satysfakcjonującą korelację (𝑅2 = 0,74). W
najbliższej przyszłości prowadzone będą prace zmierzające do stworzenia metryk do pomiaru ekspozycji obrazu
(prześwietlenie i niedoświetlenie są częstym problemem
dla sekwencji wizyjnych nagrywanych przez amatorów).
6. PODZIĘKOWANIA
Zaprezentowana praca była wspierana przez Komisję Europejską, w ramach projektu „Sieci Doskonałości
CONTENT” (Numer Grantu FP6-0384239) oraz przez
Ministerstwo Nauki i Szkolnictwa Wyższego w ramach
projektu o Numerze Grantu PBZ-MNiSW-02/II/2007.
SPIS LITERATURY
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
P. Romaniak, Towards Realization of a Framework for Integrated Video Quality of Experience
Assessment, INFOCOM Student workshop 2009,
Rio de Janeiro, Brazil, April 2009
P. Romaniak i in., A Framework for integrated
video quality assessment, 18th ITC Specialist Seminar on Quality of Experience, 2008
H. Derbel i in., Autonomic network management
architecture to support self-configuration and
self-optimization in IP networks, Comput. Netw.
53(3), 2009, 418-430
J. Lee, K. Hoppel, Noise Modeling and Estimation of Remotely-sensed Images, In Proc. International Geoscience and Remote Sensing, Vancouver, Canada 2 (1989), 1005-1008
R. Dosselmann, X. D. Yang, A Prototype NoReference Video Quality System, Fourth Canadian Conference on Computer and Robot Vision,
CRV '07 2007 (May 2007) 411-417
J. Pandel, Measuring of Flickering Artifacts in
Predictive Coded Video Sequences”, Ninth International Workshop on Image Analysis for Multimedia Interactive Services, Klagenfurt, Austria,
May 7-9, 2008
ITU-T: Subjective Video Quality Assessment
Methods for Multimedia Applications, 1999
A. Agresti, Categorical Data Analysis, 2nd edn.
Wiley 2002
Z. Papir i in., Pomiary i modelowanie postrzeganej jakości (QoE) usług komunikacji multimedialnej za pomocą uogólnionego modelu liniowego (GLZ), PTiWT, 2009
K. Fukumoto, Taking bounded variables seriously: Extended beta binomial, asymmetric logit, and
time series. In: Research Workshop in Applied
Statistics 2004
K. Watanabe i in., Proposal of new QoE assessment approach for quality management of IPTV
services, In: ICIP, IEEE, 2008, 2060-2063
W. Ding, Y. Tong, Q. Zhang, D. Yang, Image
and video quality assessment using neural network and SVM, Tsinghua Science and Technology Journal 3(1), February 2008

Podobne dokumenty