| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 相关领域的研究现状 | 第8-11页 |
| 1.2.1 主观图像质量评价方法 | 第9页 |
| 1.2.2 客观图像质量评价方法 | 第9-11页 |
| 1.3 算法性能验证数据库 | 第11-12页 |
| 1.4 论文主要工作及组织结构 | 第12-14页 |
| 第二章 图像质量评价相关理论及关键技术概述 | 第14-26页 |
| 2.1 车牌图像特性分析 | 第14-16页 |
| 2.2 对车牌图像失真特征的描述 | 第16-19页 |
| 2.2.1 车牌图像质量特征分析 | 第16-17页 |
| 2.2.2 车牌图像模糊特征分析 | 第17-18页 |
| 2.2.3 车牌图像其他特征 | 第18-19页 |
| 2.3 对提取特征的分类 | 第19-25页 |
| 2.3.1 朴素贝叶斯算法 | 第20-21页 |
| 2.3.2 K最近邻算法 | 第21-23页 |
| 2.3.3 SVM算法 | 第23-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于无参照图像质量评估算法的车牌质量分级 | 第26-38页 |
| 3.1 常用无参照图像质量特征 | 第26-28页 |
| 3.1.1 图像梯度信息 | 第26-27页 |
| 3.1.2 图像频域信息 | 第27-28页 |
| 3.1.3 图像质量与奇异值 | 第28页 |
| 3.2 车牌图像的质量评估 | 第28-31页 |
| 3.2.1 基于BIQI算法的车牌图像质量评估 | 第28-29页 |
| 3.2.2 基于NIQE算法的车牌图像质量评估 | 第29-30页 |
| 3.2.3 基于SSEQ算法的车牌图像质量评估 | 第30-31页 |
| 3.3 基于图像质量评估算法的车牌图像质量分级模型 | 第31-32页 |
| 3.4 实验结果分析与讨论 | 第32-37页 |
| 3.4.1 实验数据库及评价指标 | 第32-34页 |
| 3.4.2 实验结果及分析 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于正则化盲去模糊算法的车牌质量分级 | 第38-45页 |
| 4.1 盲去模糊算法原理 | 第38-40页 |
| 4.1.1 正则化盲去模糊算法的一般原理 | 第39页 |
| 4.1.2 车牌图像中适用的正则项 | 第39-40页 |
| 4.2 车牌图像的模糊核估计 | 第40-42页 |
| 4.3 车牌图像的模糊参数提取 | 第42-43页 |
| 4.4 实验结果分析与讨论 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于稀疏表示分类算法的车牌质量分级 | 第45-54页 |
| 5.1 稀疏表示算法原理 | 第45-47页 |
| 5.1.1 稀疏表示分类算法的一般原理 | 第45-46页 |
| 5.1.2 车牌图像特性与稀疏表示分类算法的结合 | 第46-47页 |
| 5.2 不同质量车牌图像的字典学习 | 第47-48页 |
| 5.3 不同质量车牌图像的参数提取 | 第48-50页 |
| 5.4 实验结果分析与讨论 | 第50-52页 |
| 5.5 本章小结 | 第52-54页 |
| 第六章 基于卷积神经网络的车牌质量分级 | 第54-60页 |
| 6.1 卷积神经网络相关概念介绍 | 第54-55页 |
| 6.2 卷积神经网络模型选择 | 第55-56页 |
| 6.3 网络模型的调试与优化 | 第56-59页 |
| 6.3.1 隐藏层层数 | 第57-58页 |
| 6.3.2 学习率 | 第58-59页 |
| 6.4 实验结果分析与讨论 | 第59页 |
| 6.5 本章小结 | 第59-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第66-67页 |
| 致谢 | 第67页 |