48、视频质量评估与移动学习环境探索

视频质量评估与移动学习环境探索

1. 无参考视频质量评估方法概述

在视频质量评估领域，双端测量不太适用于无法获取源的监测应用。而单端方法，也就是无参考（NR）方法，无需访问源图像，更适合实时应用。目前存在多种NR方法，多数方法侧重于评估全解码图像的视频质量，但基于压缩视频流的指标具有显著优势。

1.1 压缩域方法优势

与全解码图像的评估方法相比，压缩域方法能从视频流中获取比特率，这在很大程度上决定了图像质量。而且该过程只需部分解码，适合实时监测。

1.2 不同方法对比

许多指标仅讨论一个或几个参数。例如，有的从帧率和比特率获取质量指标，有的分析视频序列的时间特征，还有的利用人工神经网络估计视频质量。而我们的方法仅对挑选出的特征进行线性计算，更为简便且评估效果良好。

2. 无参考质量评估的特征定义与提取

图像在压缩过程中，由于运动和复杂度特征不同，会出现不同程度的损伤。视频运动越快、细节越丰富，损伤越严重。同时，不同视频序列的压缩设置也不同，因此分析这些参数可准确评估图像损伤。

2.1 序列层特征

压缩域方法能从视频流中获取比特率，这是其显著优势，比特率在很大程度上决定图像质量。

2.2 宏块层特征

• 宏块百分比计算 ：可以计算P帧或B帧中某种宏块的百分比。例如，P帧中帧内宏块（intra MB）的计算方式如下：
  [
  \begin{cases}
  1, & \text{the } MB \text{ is intra } MB \
  0, & \text{the } MB \text{ is not intra } MB
  \end{cases}
  ]
  [
  int_{ra}=\frac{1}{N}\sum_{k = 1}^{N}mb_{k}
  ]
  其中，$N$ 是P帧中宏块的数量。P帧和B帧中的宏块在运动过快无法搜索到匹配块时会采用帧内编码模式，因此帧内宏块的数量可反映视频的运动程度。
• 量化程度特征 ：量化是压缩过程中图像失真的根源，会导致多种图像损伤。可以从视频流中提取表示量化程度的特征，计算一帧中量化因子的平均值：
  [
  QS=\frac{1}{N}\sum_{k = 1}^{N}qs_{k}
  ]
  其中，$qs_{k}$ 是第 $k$ 个宏块的量化因子，$N$ 是一帧中宏块的数量。
• 运动程度特征 ：用一帧中向量的平均幅度来表示图像的运动程度，计算公式为：
  [
  \mu_{mv}=\frac{1}{N}\sum_{k = 1}^{N}MV_{k}
  ]
  其中，$MV_{k}$ 是第 $k$ 个宏块的运动向量，$N$ 是一帧中非零运动向量的宏块数量。

2.3 块层特征

• 跳过块统计 ：从视频流中获取CBP参数时，可以对一帧中的跳过块进行统计，分析跳过亮度块和跳过色度块。
• AC能量计算 ：AC能量定义为除直流系数外DCT系数的平方和：
  [
  ac=\sum_{m = 0}^{7}\sum_{n = 0}^{7}C(m,n)^{2}-C(0,0)^{2}
  ]
  [
  AC=\frac{1}{N}\sum_{k = 1}^{N}ac_{k}
  ]
  其中，$C(m,n)$ 表示DCT系数，$N$ 是一帧中块的数量。计算序列中每个I帧的AC能量，可反映图像的复杂度，图像细节越多，编码产生的比特数越多，损伤也越严重。

3. 特征选择与无参考质量评估指标

3.1 特征选择

分析上述每个特征与相应主观评分的关系，选择相关性最好的三个特征：量化因子、比特率和帧内宏块。在实验中，量化因子与平均意见得分（MOS）的相关系数为84.69%，比特率和帧内宏块的相关系数分别为 -72.41% 和61.02%。

3.2 无参考质量评估指标

为得出最终指标，先将三个特征归一化到区间 (0.1~0.9)，再用最小二乘法拟合特征与相应的主观MOS。使用8个编码序列在6种比特率下的数据进行拟合，最终的客观评估指标如下：
[
SCORE_{obj}=95.28 - 14.89QS+8.05R - 4.70int_{ra}
]
对于每个特征，以图像组（GOP）为单位取值，即计算GOP中所有帧的平均比特率、平均量化因子和所有P帧中帧内宏块的百分比，将这三个值代入指标计算GOP的客观评估质量，整个序列的客观得分可通过所有GOP得分的平均值得到。

4. 实验结果

4.1 实验设置

使用16个帧编码序列进行实验，每个序列时长超过10秒，视频分辨率为720*576，用MPEG - 2视频编码器在3Mbps、4Mbps、5Mbps、6Mbps、8Mbps和10Mbps的比特率下进行编码。主观评价得分采用双刺激连续质量尺度法（DSCQM），由25名付费测试人员给出，范围为0 - 100分。

4.2 实验分组与结果

将16个序列分为两组，每组8个序列。一组用于训练，得到客观评估指标中三个特征的系数；另一组用于验证算法性能。实验结果表明该方法具有较高的准确性，48个样本（8个测试序列在6种比特率下）的人类评估质量评级与模型结果的相关系数为91.29%，96个样本的客观评估得分与主观感知得分的相关系数为91.96%。

4.3 示例分析

以 “habor” 和 “spring festival” 序列为例，“habor” 序列的主观质量优于 “spring festival” 序列，“spring festival” 中有物体快速移动的舞蹈场景，而 “habor” 中只有缓慢的相机移动。客观评估结果与主观感知相符。

比特率 (Mbps)	3	4	5	6	8	10
habor	91.7	93.3	95.7	96	96.8	97.6
spring festival	80.7	85.3	89.4	94	97	97.2

5. 移动学习在教育中的应用

5.1 移动学习与电子学习的关系

随着信息和通信技术（ICTs）的快速发展，新的教育形式不断涌现。电子学习（E - Learning）基于计算机和网络技术提供远程教育新方法，移动学习（M - Learning）是电子学习的一部分。

移动学习是指通过无线通信的移动设备透明、高度移动地获取学习资源。它为教学和学习过程带来新可能，教师可进行小单元复习、更新信息并向学生发送消息，学生可随时随地访问学习环境。

5.2 移动学习对电子学习的影响

特征	描述
自主学习	移动学习让参与者能按照自己的节奏随时随地学习。
评估与反馈	可在电子学习包中加入移动学习评估工具，监测学生进度并生成报告，教师可给予反馈。
在线资源访问	通过移动学习系统，在线材料为学生和教师提供频繁互动的场所。
参与度	学生参与不同维度的互动并即时响应，参与度更高。

5.3 葡萄牙的移动学习实践

• 费尔南多·佩索阿大学 ：2007年构建了一个系统，可创建课堂可用的表单（测试和调查）。该研究旨在观察移动学习在高等教育中的潜力，开发的原型包括两个模块，一个为协作学习平台的用户提供资源和工作空间，另一个允许教师创建测验并在课堂上提供。研究表明，移动学习在高等教育中有很大潜力，该系统受到学生和教师的好评。
• Moura和Carvalho的研究 ：2009年进行了两项研究。一项在公立学校使用播客学习葡萄牙文学，发现手机有助于激发学校活动的积极性、促进协作学习和快速获取学习内容；另一项在职业学校聚焦于将手机作为生产工具用于葡萄牙语学习，旨在让学生使用手机创建自己的内容，尊重每个学生的学习时间。结果表明，在课堂上使用手机能更好地理解概念，提高学生的理解能力，方便获取信息和快速做笔记。

5.4 移动学习环境设计

ISEP计算机科学系在移动学习方面迈出了第一步，主要在图形系统和多媒体领域的多媒体系统学习课程中，学生将教育软件（教育游戏）适配到移动技术。

为研究移动学习对教育的影响，开发了一个针对软件工程特定内容的移动学习环境原型。该原型正在开发和评估中，目标是观察移动技术是否有助于促进抽象概念的知识获取。

原型设计分为以下几个阶段：
- 内容定义 ：选择用例图作为内容，将其分为小单元信息，包括用例概念、参与者和关系类型。每个单元用不同类型的媒体（如文本、视频和图像）描述基本概念，并配有一组问题。
- 场景设计 ：设计内容展示的结构（故事板），特别关注应用程序运行的设备类型，以提高培训效果。
- 学习活动定义与评估 ：选择短信（SMS）作为学习活动的通信方式，青少年常用短信交流。学习活动包括展示小案例研究，由小组团队完成，鼓励协作学习。学生需用图形工具绘制用例图，并通过彩信（MMS）发送给教师。如有疑问，学生可与教师进行口头交流。ISEP与一家葡萄牙移动运营商有合作协议。

通过对视频流特征的分析、研究和选择，提出了一种简单有效的MPEG - 2无参考图像质量评估算法，该算法适用于实时监测和服务中质量评估。同时，移动学习在教育领域具有巨大潜力，通过合理设计移动学习环境，可提高学生对抽象概念的学习效果。

6. 移动学习环境设计流程总结

下面通过一个 mermaid 流程图来总结移动学习环境的设计流程：

graph LR
    A[内容定义] --> B[场景设计]
    B --> C[学习活动定义与评估]

从这个流程图可以清晰地看到，移动学习环境的设计是一个循序渐进的过程。首先进行内容定义，明确学习的具体内容并进行合理划分；接着根据内容进行场景设计，规划好内容展示的结构；最后进行学习活动的定义与评估，确保学生能够通过有效的活动来学习知识。

7. 视频质量评估与移动学习的关联思考

7.1 技术层面的关联

视频质量评估和移动学习看似是两个不同的领域，但在技术层面存在一定的关联。在移动学习中，视频是一种常见的学习资源。如果视频质量不佳，会严重影响学生的学习体验和学习效果。因此，准确的视频质量评估可以为移动学习提供高质量的视频资源保障。例如，通过无参考视频质量评估算法，可以在不获取源视频的情况下，对移动学习中使用的视频进行实时监测和评估，及时发现视频质量问题并进行处理。

7.2 教育层面的关联

从教育层面来看，视频质量评估和移动学习都围绕着提高学习效果这一目标。移动学习为学生提供了更加灵活、便捷的学习方式，而高质量的视频资源可以更好地呈现教学内容，帮助学生更好地理解和掌握知识。同时，移动学习中的互动性和参与度也可以通过视频质量的提升得到进一步增强。例如，清晰、流畅的视频可以让学生更专注于学习内容，积极参与到学习活动中。

8. 未来发展展望

8.1 视频质量评估的发展方向

随着视频技术的不断发展，视频的分辨率、帧率等参数不断提高，视频质量评估也面临着新的挑战和机遇。未来，视频质量评估算法可能会更加智能化和精准化，能够更好地适应不同类型和场景的视频。例如，结合人工智能和机器学习技术，让评估算法能够自动学习和适应不同视频的特点，提高评估的准确性和可靠性。

8.2 移动学习的发展趋势

移动学习在未来有望得到更广泛的应用和发展。一方面，移动设备的性能不断提升，为移动学习提供了更好的硬件支持；另一方面，教育机构和教师对移动学习的认识和应用水平也在不断提高。未来，移动学习可能会与虚拟现实（VR）、增强现实（AR）等技术相结合，为学生提供更加沉浸式的学习体验。例如，学生可以通过 VR 设备身临其境地学习历史事件、科学实验等内容。

8.3 两者结合的发展前景

将视频质量评估和移动学习相结合，有望创造出更加优质的学习环境。通过实时监测和评估移动学习中使用的视频质量，及时调整和优化视频资源，确保学生能够获得高质量的学习体验。同时，移动学习也可以为视频质量评估提供更多的应用场景和数据支持，促进视频质量评估技术的发展。

9. 总结

本文主要探讨了无参考视频质量评估方法和移动学习环境在教育中的应用。在视频质量评估方面，介绍了基于压缩视频流的无参考评估方法，通过对视频流中特征的提取、选择和计算，得出了一种简单有效的 MPEG - 2 无参考图像质量评估算法，并通过实验验证了其准确性。在移动学习方面，阐述了移动学习与电子学习的关系，介绍了葡萄牙的移动学习实践，并详细说明了移动学习环境的设计流程。

视频质量评估和移动学习在技术和教育层面都存在一定的关联，它们的发展都围绕着提高学习效果这一核心目标。未来，视频质量评估和移动学习都有着广阔的发展前景，两者的结合也将为教育领域带来更多的创新和变革。希望本文的研究能够为相关领域的研究和实践提供一定的参考和借鉴。

以下是一个表格总结视频质量评估和移动学习的关键要点：
| 领域 | 关键要点 |
| — | — |
| 视频质量评估 | 无参考评估方法、压缩域优势、特征提取与选择、评估指标计算、实验验证 |
| 移动学习 | 与电子学习关系、对电子学习的影响、葡萄牙实践、环境设计流程 |