针对图片和视频编解码后的文件校验及 YUV 数据质量验证，以下是系统化的自动化校验方案，分为四个核心环节：

一、码流合法性校验（自动化强度：★★★★★）

1. 码流结构解析

   • 使用FFprobe/MediaInfo验证容器格式、编码参数（分辨率/帧率/GOP 等）
   • 示例脚本： bash ffprobe -v error -show_format -show_streams output.mp4 if [ $? -ne 0 ]; then echo "码流解析异常！" exit 1 fi

2. 深度语法检查

   • HEVC/H.264 码流使用Elecard Stream Analyzer批量检测 NAL 单元合规性
   • 开源方案：h264_analyzer工具解析 SPS/PPS 有效性

二、解码健壮性测试（自动化强度：★★★★☆）

1. 极限解码压力测试

   import subprocess
   for bitrate in [100k, 1M, 10M]:  # 多码率测试
      cmd = f"ffmpeg -y -i input.mp4 -b:v {bitrate} encoded.mp4"
      subprocess.run(cmd, check=True, shell=True)
   
      # 多解码器交叉验证
      decoders = ['h264_cuvid', 'libx264'] 
      for d in decoders:
          result = subprocess.run(
              f"ffmpeg -v error -c:v {d} -i encoded.mp4 -f null -",
              shell=True, 
              capture_output=True
          )
          if result.stderr:
              alert_error(f"{d}解码失败: {result.stderr}")
   

三、视觉质量量化分析（自动化强度：★★★★★）

1. 客观质量指标计算 ```python import cv2 from skimage.metrics import structural_similarity as ssim

def calc_psnr(orig, dec):
mse = np.mean((orig - dec) ** 2)
return 10 * np.log10(255**2 / mse)

orig_yuv = read_yuv("ref.yuv") # 原始未压缩 YUV
dec_yuv = read_yuv("decoded.yuv")

psnr = calc_psnr(orig_yuv.Y, dec_yuv.Y)
ssim_val = ssim(orig_yuv.Y, dec_yuv.Y,
data_range=255, win_size=3)

if psnr < 30 or ssim_val < 0.95:
generate_heatmap_diff(orig_yuv, dec_yuv) # 生成差异热力图

2. **机器视觉辅助检测**
   - 使用OpenCV检测马赛克区域：
     ```python
     edges = cv2.Canny(dec_frame, 50, 150)
     if cv2.countNonZero(edges) < threshold:
         log("WARNING: 疑似块效应产生")
     ```

### 四、可视化辅助校验（自动化强度：★★★☆☆）
1. **关键帧采样检查**
   ```bash
   # 抽取I帧生成缩略图矩阵
   ffmpeg -i encoded.mp4 -vf "select=eq(pict_type\,I)" -vsync 0 thumbs/thumb%d.png

1. 自动化报告生成
   • 使用img2pdf将 YUV 对比图与质量指标生成 PDF 报告
   • 集成 Allure 测试报告系统展示 PSNR 趋势图

五、进阶方案选型

六、持续集成部署

1. Jenkins Pipeline 示例阶段： groovy stage('Codec Validation') { parallel { stage('H.264') { sh 'python validate_codec.py --codec h264' } stage('HEVC') { sh 'python validate_codec.py --codec hevc' } } post { always { allure includeProperties: false, results: [[path: 'allure-results']] } } }

建议实施路径：优先完成码流校验和解码验证的基础自动化，再逐步集成质量指标计算，最后通过可视化报告实现人工二次确认的闭环。对于实时性要求高的场景，可引入 GPU 加速的并行校验框架。

用 openCV 啊，写脚本就好了。关键是你怎么去定义是否显示正常。你先把你手工测试的验证通过的标准说出来，才好知道怎么自动化

1、没有使用 opencv 的原因是没有一个 groudtruth 作为校验，以 JPEG 编码接口为例，有编码质量参数，不同的编码质量，编码后的 JPEG 文件显示的清晰度不同，目前没有一个指标可以说明在多少范围内是正常的。
2、手工测试的验证通过标准就是人眼去看没有花瓶、马赛克等图片不合理的情况

您这是 AI 生成的答案吗？ ，我看标准里采用了 psnr 和 ssim_val 作为评判指标，但是现在我这里没有一个具体取值范围的标准可以作为评判参考

那简单，给你分享一下我们这边测试视频的方案。 我们会播放一个 动态二维码 (用 python 写一个生成二维码的工具，数字不断递增)。然后视频流解析出来之后，用 python 代码去给二维码解码。1.能解码成功说明视频流传输正常 2.解码出来的数字未中断，说明传输流没有中断是连续的。

色彩检测同理，python 随机生成指定颜色的色块传输，然后去接收端 openCV 解析颜色是否符合预期。

不说码流检查，如果只是清晰度评估，其实 psnr 这些无参考评估指标也可以用一点，并不是非要有个标准去对比，比如：用不同的滤波尺寸将图像做简单的高斯去噪和椒盐去噪，分别将结果与原图一起计算 PSNR/SSIM，然后再去加权计算、推断，评估图像质量……只是个思路，未必有用，供参考~
按理说编码之前应该能 dump 出原始的输入才对，要么问下开发能否帮忙提升可测性~