Keywords
Abstract
Современные телевизионные и стриминговые сервисы требуют надёжного контроля качества изображения. Помимо субъективных тестов, широко применяются объективные методики оценки качества (ФР, ЧР, БЭ) – от простых метрик пик-фактора PSNR до сложных алгоритмов на основе статистики и машинного обучения (SSIM, VIF, BRISQUE, NIQE, BIQI и др.). В статье даётся обзор ключевых методов оценки качества изображения, проводится сравнение их точности и сферы применения в разных сценариях вещания. Рассмотрены практические примеры внедрения этих метрик на телевидении, OTT-платформах и в потоковых сервисах. Приведены результаты экспериментальных оценок качества видеосигнала разными алгоритмами, иллюстрируемые графиками и примерами. Особое внимание уделено современным ML‑методам (DeepBIQ, гибридные модели, трансферное обучение), повышающим точность прогнозирования качества. В заключении даны рекомендации по выбору метода оценки в зависимости от условий вещания и целей контроля качества.References
Zhang, L., Shen, Y., & Li, H. (2022). Quality assessment for digital television systems based on perceptual models. IEEE Access, 10, 65029–65040.
2. Lin, W., Yang, X., Zhang, L., & Mou, X. (2020). A deep learning approach for blind image quality assessment. IEEE Transactions on Image Processing, 29, 4004–4018.
3. Yang, Y., Liu, C., Wu, H., & Yu, D. (2025). A quality assessment algorithm for no-reference images based on transfer learning. PeerJ Computer Science, 11, e2654.
4. Kundu, S., & Luthra, M. (2023). A comprehensive review on image quality assessment methods for broadcasting. Multimedia Tools and Applications, 82, 12451–12480.
5. Li, H., Man, H., & Wang, Z. (2021). No-reference image quality assessment in the compressed domain for television broadcasting. Signal Processing: Image Communication, 93, 116126.
6. Netflix Technology Blog. (2021). VMAF: The Journey Continues.