| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-29页 |
| 1.1 研究背景和意义 | 第11-14页 |
| 1.1.1 视觉信息质量评价的必要性 | 第12-13页 |
| 1.1.2 基于视觉信息的图像检索研究及意义 | 第13-14页 |
| 1.2 人类视觉系统及其视觉特性 | 第14-18页 |
| 1.2.1 人类视觉系统及信息处理过程 | 第14-16页 |
| 1.2.2 人类视觉系统特性 | 第16-18页 |
| 1.3 国内外关于视觉信息特征的表示 | 第18-24页 |
| 1.3.1 图像特征表示的相关简介 | 第19-23页 |
| 1.3.1.1 图像全局底层视觉特征 | 第19-20页 |
| 1.3.1.2 图像局部底层视觉特征 | 第20-21页 |
| 1.3.1.3 图像中层特征 | 第21-23页 |
| 1.3.1.4 图像属性特征 | 第23页 |
| 1.3.2 视频特征表示的相关简介 | 第23-24页 |
| 1.3.2.1 空域特征分析 | 第24页 |
| 1.3.2.2 时域特征分析 | 第24页 |
| 1.4 视觉信息特征提取的应用 | 第24-26页 |
| 1.5 本文主要研究工作及结构 | 第26-29页 |
| 第二章 基于视觉信息特征的研究综述 | 第29-47页 |
| 2.1 国内外关于视觉信息质量评估模型的研究 | 第29-39页 |
| 2.1.1 全参考型视频质量评价方法 | 第30-33页 |
| 2.1.2 部分参考型视频质量评价方法 | 第33-34页 |
| 2.1.3 无参考型视频质量评价方法 | 第34-39页 |
| 2.1.3.1 基于像素域的无参考视频质量评价方法 | 第35-37页 |
| 2.1.3.2 基于比特流的无参考视频质量评价方法 | 第37-38页 |
| 2.1.3.3 混合型的无参考视频质量评价方法 | 第38-39页 |
| 2.2 基于视觉信息的立体视频QOE的发展现状 | 第39-42页 |
| 2.3 国内外关于视觉信息检索的研究 | 第42-46页 |
| 2.4 本章小结 | 第46-47页 |
| 第三章 基于分类的盲视频质量预测模型的构建与研究 | 第47-64页 |
| 3.1 相关工作 | 第47-48页 |
| 3.2 面向终端的盲视频质量评价方法 | 第48-56页 |
| 3.2.1 空域特征 | 第48-53页 |
| 3.2.1.1 数据集生成 | 第48-49页 |
| 3.2.1.2 视觉特征提取及归一化 | 第49-51页 |
| 3.2.1.3 多级质量感知中心集合 | 第51-53页 |
| 3.2.2 时域特征 | 第53-54页 |
| 3.2.3 算法流程及视频感知质量估计 | 第54-56页 |
| 3.3 实验结果分析及分析 | 第56-63页 |
| 3.3.1 实验数据库 | 第56-57页 |
| 3.3.2 评价方法和准则 | 第57-58页 |
| 3.3.3 具体实验过程 | 第58-59页 |
| 3.3.4 实验结果分析 | 第59-63页 |
| 3.3.4.1 主客观质量的一致性实验 | 第59-62页 |
| 3.3.4.2 计算复杂度分析 | 第62-63页 |
| 3.4 本章小结 | 第63-64页 |
| 第四章 基于立体视频流特性的质量评价模型的构建与研究 | 第64-79页 |
| 4.1 相关工作 | 第64-65页 |
| 4.2 影响立体视频传输QOE的因素 | 第65-67页 |
| 4.2.1 网络服务质量因素 | 第65-66页 |
| 4.2.2 立体视频内容质量因素 | 第66页 |
| 4.2.3 用户互动质量因素 | 第66页 |
| 4.2.4 终端设备质量因素 | 第66-67页 |
| 4.3 模糊层次分析原理 | 第67-69页 |
| 4.3.1 AHP概述 | 第67页 |
| 4.3.2 FAHP原理 | 第67-69页 |
| 4.4 基于FAHP分析法的立体视频质量评估模型 | 第69-78页 |
| 4.4.1 指标体系的建立 | 第69-71页 |
| 4.4.2 基于FAHP分析法的评估模型实例 | 第71-73页 |
| 4.4.3 实验搭建及结果分析 | 第73-78页 |
| 4.4.3.1 仿真实验平台及操作 | 第73-74页 |
| 4.4.3.2 实验结果分析 | 第74-78页 |
| 4.5 本章小结 | 第78-79页 |
| 第五章 协同视觉信息及标注信息的图像检索 | 第79-97页 |
| 5.1 社交媒体特性及图像检索的相关介绍 | 第79-83页 |
| 5.1.1 社交图像查询 | 第81-82页 |
| 5.1.2 中国微博的特性 | 第82-83页 |
| 5.2 超图学习基本原理 | 第83-86页 |
| 5.3 基于超图的微博图像相关性学习 | 第86-89页 |
| 5.3.1 超图的构造 | 第86-87页 |
| 5.3.2 基于超图的图像相关性学习 | 第87-88页 |
| 5.3.3 求解优化问题 | 第88-89页 |
| 5.4 图像检索和基于热度的排序 | 第89-90页 |
| 5.5 实验分析 | 第90-96页 |
| 5.5.1 实验数据及设置 | 第90-92页 |
| 5.5.1.1 数据采集 | 第90-91页 |
| 5.5.1.2 文本信息的提取 | 第91页 |
| 5.5.1.3 实验设置 | 第91-92页 |
| 5.5.2 实验结果和讨论 | 第92-95页 |
| 5.5.3 参数分析 | 第95-96页 |
| 5.6 结论 | 第96-97页 |
| 第六章 总结与展望 | 第97-100页 |
| 6.1 本文工作总结 | 第97-98页 |
| 6.2 研究展望 | 第98-100页 |
| 参考文献 | 第100-114页 |
| 发表论文和参加科研情况说明 | 第114-115页 |
| 致谢 | 第115-116页 |
