Dissertação (mestrado)—Universidade de Brasília, Faculdade de Tecnologia, Departamento de Engenharia Elétrica, 2017. / Submitted by Raquel Almeida (raquel.df13@gmail.com) on 2017-05-26T21:27:49Z No. of bitstreams: 1 2017_DarioDanielRibeiroMorais.pdf: 11590245 bytes, checksum: 2daecd1489fc94cb4c8afb7736e1181f (MD5) / Approved for entry into archive by Raquel Viana (raquelviana@bce.unb.br) on 2017-05-29T23:07:11Z (GMT) No. of bitstreams: 1 2017_DarioDanielRibeiroMorais.pdf: 11590245 bytes, checksum: 2daecd1489fc94cb4c8afb7736e1181f (MD5) / Made available in DSpace on 2017-05-29T23:07:11Z (GMT). No. of bitstreams: 1 2017_DarioDanielRibeiroMorais.pdf: 11590245 bytes, checksum: 2daecd1489fc94cb4c8afb7736e1181f (MD5) Previous issue date: 2017-05-29 / Este trabalho visa desenvolver uma métrica híbrida de qualidade de vídeo sem referência para aplicações de transmissão digital, que leva em consideração três tipos de artefatos: perda de pacotes, blocado e borrado. As características desses artefatos são extraídas a partir das sequências de vídeo a fim de quantificar a força desses artefatos. A avaliação de perda de pacotes é dividida em 2 etapas: detecção e medição. As avaliações de blocado e borrado seguem referências da literatura. Depois de obter as características dos três tipos de artefatos, um processo de aprendizado de máquina (SVR) é utilizado para estimar a nota de qualidade prevista a partir das características extraídas. Os resultados obtidos com a métrica proposta foram comparados com os resultados obtidos com outras três métricas disponíveis na literatura (duas métricas NR de perda de pacotes e 1 métrica FR) e eles são promissores. A métrica proposta é cega, rápida e confiável para ser usada em cenários em tempo real. / This work aims to develop a hybrid no-reference video quality metric for digital transmission applications, which takes into account three types of artifacts: packet-loss, blockiness and bluriness. Features are extracted from the video sequences in order to quantity the strength of these three artifacts. The assessment of the packet-loss strength is performed in 2 stages: detection and measurement. The assessment of the strength of blockiness and blussiness follow references from literature. After obtaining the features from these three types of artifacts, a machine learning algorithm ( the support vector regression technique), is used to estimate the predicted quality score from the extracted features. The results obtained with the proposed metric were compared with the results obtained with three other metrics available in the literature (two NR packet-loss metrics and one FR metric). The proposed metric is blind, fast, and reliable to be used in real-time scenarios.