Tugas 1 - Pengantar Komputasi Modern

Subject Jurnal :

Mathematical Models for Quality Analysis of Mobile Video

http://www.math.ualberta.ca/ijnam/Volume-13-2016/No-6-16/2016-06-03.pdf

Inti Pembahasan Jurnal :

Dengan perkembangan pesat dari aplikasi video mobile, analisa terhadap peningkatan kualitas video menjadi sangat penting karena menjadi indikator kunci performa (KPI) untuk pengalaman yang berkualitas (QoF). Dalam jurnal ini, framework untuk analisa kualitas video non-referensi diajukan dan diaplikasikan untuk telepon video (VT) pada jaringan LTE. Tiga parameter yang digunakan untuk memperkirakan MOS : bloking, blur dan freezing.

Bloking dideteksi dengan menggunakan codec H.264, blur dideteksi dengan menentukan sudut buram pada tiap frame dan freezing dideteksi dengan menggunakan fungsi sigmoid untuk meniru efek dari berbagai durasi beku pada sistem visual manusia (HVS). Lebih lanjut, 3 parameter dikombinasikan menjadi satu objek MOS dengan mempertimbangkan perbedaan faktor berat dan kecocokan terhadap garis lurus. Hubungan diatas 90% didapat diantara nilai pada objek MOS dan subjek MOS.

Metode yang digunakan :

Metode yang digunakan pada jurnal tersebut adalah MOS (Mean Opinion Score). Metode ini dapat digunakan untuk menganalisa kualitas transmisi audio dan video. Terdapat tiga parameter yang digunakan untuk memperkirakan MOS, yaitu bloking, blur, dan freezing.

Kelebihan Metode :

• Dapat menganalisa kualitas video untuk telepon video (VT) pada jaringan LTE
• Blocking yang efektif dan deteksi blur pada algoritma yang diajukan
• Analisa kualitas video didapat dengan mudah
• Teknik analisa kualitas video dapat di aplikasikan menggunakan jaringan lain

Kekurangan Metode :

• Memerlukan waktu antara frame freezing dan distorsi pergerakan
• Untuk memprediksikan hasil MOS, memerlukan database subjek MOS

Perhitungan (komputasi) yang digunakan dalam metode :

Deteksi Blockiness

Pertama, algoritma blockiness dan algoritma blur akan mengubah gambar abu-abu. Gambar video yang telah diterjemahkan menjadi RGB, diubah menjadi gambar abu-abu dengan menghitung nilai luminance dari nilai-nilai RGB sebagai berikut.

Dari penjelasan blockiness di atas, dapat dijelaskan secara ringkas algoritma berikut :

Dalam jurnal ini penulis mengambil satu gambar dengan blockiness dari video yang disimpan di perangkat penerima untuk aplikasi telepon video melalui jaringan LTE untuk memverifikasi efektivitas algoritma kami.

Deteksi Blur

Setelah menghitung lebar tepi untuk semua poin tepi, kami menggunakan konsep JNB, yaitu, titik tepi dianggap sebagai titik kabur jika tepi lebar lebih besar dari ambang (misalnya 5 piksel), dan jika tidak maka dianggap sebagai titik yang tajam. blur metrik kami adalah persentase poin tepi kabur antara semua titik ujung, yaitu :

 Algoritma untuk deteksi blur dan estimasi dijelaskan di atas dapat diringkas sebagai berikut.

Contoh gambar kabur yang telah diambil oleh penulis dari video yang telah disimpan untuk aplikasi telepon video melalui jaringan LTE.

Gambar 8 adalah grafik CDF seluas tepi, dimana kita bisa melihat bahwa presentase tepi kabur (lebar tepi lebih besar dari 5 pixel) adalah 76,8% (1-0,232). Dan nilai ini adalah metrik blur kami di Persamaan (8).

Deteksi Freezing/Jerkiness

Setelah merubah warna gambar ke abu-abu, kita memecahkan dua frame feezing dan menghitung perbedaan absolut dari tiap piksel. Gambar 9 adalah perbedaan piksel pada histogram, dimana kita bisa melihat dengan jelas bahwa masih ada banyak piksel dengan sedikit perbedaan. Untuk berurusan dengan kasus ini, kita menggunakan perbedaan piksel yang mempunyai perbedaan besar pada piksel dibandingkan pada batasnya. Jika hitungan kurang daripada batas (dalam kasus ini kita gunakan 20, yang masih butuh penyesuaian untuk video dengan resolusi berbeda), dua frame serupa ini akan dimaklumi.

 

Kita juga mendapati bahwa pada waktu freezing yang panjang, beberapa frame akan sedikit berguncang. Deteksi freezing seperti dideskripsikan diatas akan sedikit mengguncang frame yang non-freezing. Biasanya untuk frame yang berguncang, perbedaan antar frame lebih sedikit dibanding frame normalnya. Kita menggunakan beberapa batas untuk memperbaikinya. Jika total dari perbedaan tersebut kurang dari 5000 piksel, mereka akan mengguncang frame. Sebaliknya, mereka adalah frame normal. Untuk menyelesaikan permasalahan ini, kita akan menghubungkan interupsi antar frame freezing jika jumlah yang dideteksi pada perbedaan frame (sebenarnya mereka adalah frame yang berguncang) diantara dua waktu frame yang bersebelahan lebih kecil daripada beberapa batas (dalam kasus kita, kita menggunakan 5 frame). Dengan deteksi freezing diatas dan proses, kita bisa memperkirakan waktu tampilan untuk tiap frame.

Referensi :