| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 课题的研究背景及意义 | 第7-8页 |
| 1.2 国内外现状分析 | 第8-12页 |
| 1.2.1 立体图像质量主观评价方法 | 第9-10页 |
| 1.2.2 立体图像质量客观评价方法 | 第10-12页 |
| 1.3 本文主要内容和结构安排 | 第12-15页 |
| 第2章 立体图像质量评价研究基础 | 第15-31页 |
| 2.1 人的三维视觉感知途径 | 第15-20页 |
| 2.1.1 人类视觉系统 | 第15-17页 |
| 2.1.2 边缘和彩色信息的处理 | 第17-19页 |
| 2.1.3 双目信息融合 | 第19-20页 |
| 2.2 两种双目视觉信息融合理论 | 第20-23页 |
| 2.2.1 cyclopean理论 | 第20-22页 |
| 2.2.2 双目和差通道理论 | 第22-23页 |
| 2.3 机器学习以及深度学习方法 | 第23-27页 |
| 2.4 图像质量评价指标 | 第27-29页 |
| 2.5 立体图像库 | 第29-30页 |
| 2.6 本章小结 | 第30-31页 |
| 第3章 基于分段堆叠的自动编码器(S-SAE)和三维视觉感知的立体图像质量评价 | 第31-47页 |
| 3.1 算法创新点说明 | 第31-32页 |
| 3.2 关于双目视觉信息处理途径的神经生物学模型 | 第32-33页 |
| 3.3 立体图像评价模型 | 第33-35页 |
| 3.4 特征提取 | 第35-40页 |
| 3.4.1 特征提取方法介绍 | 第35-37页 |
| 3.4.2 边缘信息有关的图提取特征 | 第37-40页 |
| 3.4.3 彩色信息有关的图提取特征 | 第40页 |
| 3.5 用深度学习的方法实现特征抽象化 | 第40-43页 |
| 3.5.1 堆叠的自动编码器(Stacked auto-encoders,SAE) | 第41-42页 |
| 3.5.2 分段堆叠的自动编码器(Segmented stacked auto-encoders,S-SAE) | 第42-43页 |
| 3.5.3 SAE,S-SAE和SVM的参数优化详情 | 第43页 |
| 3.6 计算最终质量分数 | 第43-47页 |
| 第4章 实验结果和分析 | 第47-57页 |
| 4.1 对比算法 | 第47-48页 |
| 4.2 单库性能分析 | 第48-50页 |
| 4.3 交叉库性能分析 | 第50-51页 |
| 4.4 单一失真类型性能分析 | 第51-53页 |
| 4.5 与浅层学习对比 | 第53-54页 |
| 4.6 分段堆叠的自动编码器的时间效率 | 第54-55页 |
| 4.7 实验结果讨论 | 第55-57页 |
| 第5章 总结与展望 | 第57-61页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-61页 |
| 参考文献 | 第61-67页 |
| 发表论文和参加科研情况说明 | 第67-69页 |
| 发表的论文 | 第67页 |
| 参加的科研项目 | 第67-69页 |
| 致谢 | 第69页 |
