视频质量评价（VQA）是以人眼的主观质量评估结果为依据，使用算法模型对失真视频进行评估。传统的评估方法难以做到主观评价结果与客观评价结果相一致。基于深度学习的视频质量评价方法无需加入手工特征，通过模型自主学习即可进行评估，对视频质量的监控和评价有重要意义，已成为计算机视觉领域的研究热点首先对视频质量评价的研究背景和主要研究方法进行介绍;其次从全参考型和无参考型两方面介绍基于深度学习的客观质量评价方法，并且从所用的卷积神经网络模型对无参考型评价方法进行了分类比较;接着介绍视频质量评价算法的相关数据库和评价算法性能指标，并对算法性能进行比较;最后对目前视频质量评价研究存在的问题进行总结，并展望了该领堿面临的挑战和未来发展方向。

elecardstreameyetools，Elecard.Streameye.Tools，一个强大的视频序列或码流分析软件，YUV分析，264文件分析软件，H.264视频编解码学习必备的东西，Elecard StreamEye Suite是一套用于专业视频压缩领域的功能强大的工具 ，能够帮助用户进行有效的对于视频序列的深入分析。感觉STREAM EYE的界面更加亲民，而且他的视频窗口可缩放，比较好操作，但是功能上面还是不如VISA强大，不过初学的话也是可以接受了。编码视频的可视化表现，流结构分析，这些流可以是MPEG-1/2/4 or AVC/H.264 VES(视频基本流)、SS（MPEG1的系统流）、,PS(MPEG2的程序流)、TS(mpeg2的传输流)。

适合在视频和图像领域进行算法研究的开发者，经典算法有参考意义。

bdrate和bdpsnr计算的matlab版本

视频质量诊断，之前由于数据不足，采用传统的方法进行检测，当前已经积累了一些数据，采用分类模型做了训练和检测工作，主要有：亮度异常检测、偏色检测、图像噪声检测、条纹噪声检测、清晰度检测、信号丢失检测、遮挡检测和对比度检测。 https://blog.csdn.net/zhulong1984/article/details/125155862

基于Android平板电脑视频质量评价体系的研究.pdf

计算psnr matlab代码VQM 视频质量指标 该存储库包含由ITS开发的视频质量指标（VQM）软件。 可以找到此处提供的每个文件的完整说明。 根据中所述的条款，VQM工具可免费用于任何商业或非商业用途。 对于每个软件包，都有三个下载选项：MATLAB:registered:源代码，32位编译版本和64位编译版本。 在每种情况下，都提供了相关文档。 可用软件包为： 名称 标题 bvqm 批处理视频质量指标 cvqm 命令行视频质量指标 fdf 使用RR和NR VQM估计HRC丢帧率 psnr 峰值信噪比搜索和PSNR可变帧延迟 vfd 可变帧延迟 这些VQM工具使用完全参考（FR）和简化参考（RR）技术。 因此，对于经处理的视频序列的质量估计需要访问原始的高质量视频序列。 BVQM提供了图形用户界面，批处理以及ITS从2000年到2013年开发的所有VQM。CVQM为单个视频序列（即已处理的视频序列和相关的原始序列）的相同VQM提供了命令行界面。 FDF和VFD实施算法来计算可变帧延迟； 这些功能在BVQM和CVQM提供的指标中也可用。 PSNR实现了著名的指标。 用法 每个度量标准都存储在此存储库中，

1.doc是使用方法，xls是示例，xla 是算法的宏定义，包含一个运算函数函数BJM。 2.打开xla文件，弹出窗口“Microsoft Excel 安全声明”，点击按钮“启用宏”，这时就可以在excel中调用函数BJM，不要关闭excel。 3.打开xls文件，弹出的信息可以无视，第一个表格“Sample data sheet”可以看到宏定义示例BJM(rangeRef,rangeNew,rateMode)。 4.选中单元H14，其默认值为“=E:\jung\Tools\BJM\BJM.xla'!BJM(B13:C16,E13:F16)”。删除其中的路径，仅保留函数部分“=BJM(B13:C16,E13:F16)”，然后回车即可得到BD-Rate为-4.47662662。其中“B13:C16”为参考值，“E13:F16”为新算法输出值，第三个参数不填则默认为True。 同理，修改单元格I14为“=BJM(B13:C16,E13:F16,0)”，即可得到BD-PSNR为0.1。 5.其他几个示例分辨对应QP逆序排列，或2行4列的输入数据格式。

随着视频技术的飞速发展,越来越多的视频应用逐步进入人们的生活中,因此对视频质量的研究很有意义。基于卷积神经网络和循环神经网络强大的特征提取能力并结合注意力机制,提出一种无参考视频质量评价算法。该算法首先利用VGG(Visual Geometry Group)网络提取失真视频的空域特征,然后利用循环神经网络提取失真视频的时域特征,引入注意力机制对视频的空时特征进行重要度计算,根据重要度得到视频的整体特征,最后通过全连接层回归得到视频质量的评价分数。在3个公开视频数据库上的实验结果表明,预测结果与人类主观质量评分具有较好的一致性,与最新的视频质量评价算法相比具有更好的性能。

社交云中视频质量的体验质量（QoE）评估