共计 2719 个字符，预计需要花费 7 分钟才能阅读完成。
视频品质评估指标只是掂量画面质量的工具，单项指标的数值或高或低，都不应是视频工作者的最终目标。微帧始终都以晋升画质优化观看体验为次要指标，致力于应用最优的品质评估形式，提供最极致的画质成果。
视频流量在整个互联网流量的占比每年都在高速增长，为升高视频存储老本和数据传输通道的负载，视频压缩规范及算法在一直踊跃开发和改良。视频品质的评估在其中也起着至关重要的作用，只管曾经倒退出了大量视频品质评估办法，但广泛接受度最高、最出名的评估办法还是经典的 PSNR、SSIM 以及 VMAF。
本文将浅谈一下这几类评估办法的概念，并将联合微帧在日常试验中所得的教训， 重点聊一聊 PSNR avg.MSE 与 PSNR avg.log，谁更胜一筹？以及 VMAF 的“喜”与“忧”。
PSNR（峰值信噪比）
峰值信号的能量与噪声的均匀能量之比，实质的是比拟两张图像像素值差别，用处较广，目前仍作为对照其余指标的基线。PSNR 的单位是 dB，数值越大示意失真越小。
\(MSE=\frac{1}{mn}\sum\limits_{x=0}^{m-1}{\sum\limits_{y=0}^{n-1}{(I(x,y)-K(x,y))^2}} \)
两个 m×n 单色图像 I 和 K，I 为一无噪声的原始图像，K 为 I 的噪声近似（例：I 为未压缩的原始图像，K 为 I 通过压缩后的图像）。
\(PSNR=10log_{10}(\frac{MAX^{2}}{MSE}) \)
其中，MAX 是示意图像点色彩的最大数值，如果每个采样点用 8 位示意（例：影像解决），那么就是 255。
PSNR avg.MSE 与 PSNR avg.log，谁更胜一筹
PSNR avg.MSE：当聚合整个视频的逐帧分数时，首先计算 MSE 的算术平均值，而后取对数。
\(PSNR_{avg.MSE}(V,\bar{V}) =10log_{10}\frac{MAX^{2}}{\frac{1}{n}\sum\limits_{i=0}^{n-1}{MSE(V_{(i)},\bar{V}_{(i)})}} \)
PSNR avg.log：当聚合整个视频的逐帧分数时，首先计算每帧的 PSNR，而后计算所有视频帧的算术平均值。
\(PSNR_{avg.log}(V,\bar{V})=\frac{1}{n}\sum\limits_{i=0}^{n-1}{10log_{10}\frac{MAX^{2}}{MSE(V_{(i)},\bar{V}_{i})}} \)
经微帧屡次测试表明，相较于 PSNR avg.MSE，PSNR avg.log 具备肯定不合理性，其太过“关照”品质更高的帧，比方 PSNR=99dB 和 PSNR=50dB 的单帧，往往在主观上看不出区别，但通过 PSNR avg.log 的公式计算后，PSNR=99dB 的一帧就会大大拉高最终平均分，在特定序列上容易被 trick。
然而，事实上人眼对于品质越差的帧反而越敏感，所谓一锅老鼠屎坏了一锅粥，当观看视频时忽然闪现一帧品质差的画面，人眼会对这一帧记忆更为粗浅。相较于 PSNR avg.log，PSNR avg.MSE 就更加关照低质量帧，从这点上更合乎主观感触。
SSIM（构造相似性）
一种全参考的图像品质评估指标，别离从亮度、对比度、构造三方面度量图像相似性。SSIM 取值范畴为 [0,1]，值越大，示意图像失真越小。
\(SSIM（x,y）=\frac{(2\mu_{x}\mu_{y}+c_{1})(2\sigma_{xy}+c_{2})}{(\mu_{x}^{2}+\mu_{y}^{2}+c_{1})(\sigma_{x}^{2}+\sigma_{y}^{2}+c_{2})} \)
\(c_{1}=(k_{1}L)^2,c_{2}=(k_{2}L)^2 \)
SSIM 在掂量编码主观损失方面有其独特的体现。比方，当 x264 关上 AQ(自适应量化技术，敞开 AQ 时，x264 偏向于对低细节度的平滑区域应用过低码率，AQ 能够更好地把码率调配到各个宏块中)，PSNR 和 VMAF 都会重大掉分，SSIM 却能体现出收益。大量实际表明 AQ 与主观呈正相干，SSIM 在这点上更合乎主观感触。
VMAF（视频多评估办法交融）
由 Netflix 推出的视频品质评估工具，用来解决传统指标不能反映多种场景、多种特色的视频状况。该指标是目前互联网视频最支流的主观视频评估指标，实用于掂量大规模环境中流播视频品质的观感。
VMAF 的“喜”与“忧”
“喜”— VMAF 的劣势
视频画质加强是目前视频暴发时代的刚需利用，它可能更好的晋升用户观看体验，然而品质评估罕用指标 PSNR 和 SSIM，尽管简略易算，但却不能齐全反馈人眼主观感触，更无奈评估对原画的加强，VMAF 却能够做到这一点。
通过比照能够发现右图通过画质加强，能展示更多的细节，小字变得更加清晰，同时 VMAF 也有了较大的晋升。
“忧”— VMAF 的有余
① VMAF 值可能被 trick。单纯为了进步 VMAF 值，而加强对比度，理论是不合理的，虽 VMAF 值进步了，但画质却并没有真正晋升，轻重倒置。
下图为例，左边视频仅在右边视频根底上进行了对比度加强的解决，右边 VMAF 为 67.44，左边 VMAF 为 97，可见通过加强对比度，VMAF 也晋升了不少，但当咱们查看细节，会发现画质没有失去基本晋升，原有的马赛克、噪点仍然存在。
② VMAF 在掂量原画损失的能力稍弱，有时不如 SSIM 与 PSNR，甚至事与愿违。咱们能够做一个简略试验，采纳 x264 superfast 对规范测试序列 Johnny 做定码率编码，在敞开 deblock 后（采纳了 no-deblock 选项），PSNR 和 SSIM 呈现显著损失，VMAF 却获得了增益，如下表所示。（deblock 是视频编码一项成熟已久的技术，用来加重编码造成的马赛克伤害。）
为了更直观地感触，咱们提取试验中的同一码率下的比照帧（下图），可见 no-deblock（右图）的 VMAF 略高于开启 deblock（左图）的 VMAF，但右图却充斥了马赛克。因而，关掉 deblock 尽管能晋升 VMAF 值，但失真会比较严重。
VMAF 尽管有令人担忧的硬伤，然而的确有其独到的一面。譬如上方敞开 deblock 的右图，尽管马赛克伤害重大，然而左图整体更含糊一些。此外鉴于 VMAF 能兼顾绝对于源的画质加强和画质伤害两局部，在互联网畛域应用越来越宽泛。
由此可见，在日常评估视频品质时，单看一组指标数据容易产生误差。视频品质评估指标只是掂量画面质量的工具，单项指标的数值或高或低，这都不应是视频工作者的最终目标。微帧始终都以晋升画质优化体验为次要指标，提倡大家该当既看 VMAF，也要联合 PSNR 和 SSIM，进行综合评估，以达到最靠近人眼主观的测评成果。
