| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 立体图像质量评价算法的国内外研究现状 | 第11-14页 |
| 1.2.1 立体图像质量主观评价方法的发展现状 | 第11-12页 |
| 1.2.2 立体图像质量客观评价方法的发展现状 | 第12-14页 |
| 1.3 神经网络的发展现状 | 第14-15页 |
| 1.4 本文主要贡献及论文结构安排 | 第15-17页 |
| 1.4.1 本文主要贡献 | 第15页 |
| 1.4.2 论文结构 | 第15-17页 |
| 第二章 人眼立体视觉系统研究 | 第17-22页 |
| 2.1 立体视觉的产生 | 第17-19页 |
| 2.1.1 人类视觉认知过程 | 第17页 |
| 2.1.2 人眼的生理结构 | 第17-19页 |
| 2.2 立体视觉特性 | 第19-21页 |
| 2.2.3 立体视觉的生理特性 | 第19-20页 |
| 2.2.4 立体视觉的心理特性 | 第20-21页 |
| 2.3 立体图像质量评价的影响因素 | 第21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 神经网络算法概述 | 第22-38页 |
| 3.1 人工神经网络概述 | 第22-26页 |
| 3.1.1 人工神经网络模型 | 第22-23页 |
| 3.1.2 常用激活函数 | 第23-25页 |
| 3.1.3 神经网络架构 | 第25-26页 |
| 3.2 BP神经网络及算法 | 第26-29页 |
| 3.2.1 BP神经网络 | 第26页 |
| 3.2.2 BP神经网络的算法机制 | 第26-27页 |
| 3.2.3 BP算法流程 | 第27-29页 |
| 3.2.4 BP网络的性能分析 | 第29页 |
| 3.3 支持向量机 | 第29-34页 |
| 3.3.1 支持向量机理论 | 第30页 |
| 3.3.2 线性可分支持向量机 | 第30-32页 |
| 3.3.3 非线性可分支持向量机 | 第32-33页 |
| 3.3.4 支持向量机多分类问题 | 第33-34页 |
| 3.4 极端学习机 | 第34-36页 |
| 3.4.1 极端学习机基础 | 第34-36页 |
| 3.5 ELM和SVM的最优化约束条件 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于遗传算法和极端学习机的立体图像质量评价 | 第38-48页 |
| 4.1 系统框架 | 第38-39页 |
| 4.2 特征提取方法 | 第39-43页 |
| 4.2.1 主成分分析 | 第39-40页 |
| 4.2.2 局部保留投影 | 第40-41页 |
| 4.2.3 正交局部保留投影 | 第41-43页 |
| 4.3 遗传算法优化的极端学习机 | 第43-47页 |
| 4.3.1 遗传算法基本原理 | 第43-45页 |
| 4.3.2 遗传算法的实现 | 第45-46页 |
| 4.3.3 GA-ELM算法流程 | 第46-47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 基于神经网络的立体图像质量评价实验分析 | 第48-56页 |
| 5.1 实验素材 | 第48-49页 |
| 5.2 实验方法 | 第49-50页 |
| 5.2.1 提取OLPP特征空间 | 第49-50页 |
| 5.2.2 网络参数选取 | 第50页 |
| 5.3 实验结果与分析 | 第50-54页 |
| 5.3.1 PCA与OLPP性能分析 | 第50-51页 |
| 5.3.2 GA-ELM网络性能分析 | 第51-53页 |
| 5.3.3 不同神经网络性能分析 | 第53-54页 |
| 5.4 不同立体图像质量评价方法性能分析 | 第54-55页 |
| 5.5 本章小结 | 第55-56页 |
| 第六章 总结与展望 | 第56-58页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 发表论文和参加科研情况说明 | 第63-64页 |
| 致谢 | 第64-65页 |