| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 国内外的研究现状 | 第9-12页 |
| 1.2.1 主观质量评价 | 第9-10页 |
| 1.2.2 客观质量评价 | 第10-12页 |
| 1.3 主要研究内容与组织结构 | 第12-14页 |
| 第二章 立体图像质量评价基础 | 第14-22页 |
| 2.1 立体图像基础 | 第14-17页 |
| 2.1.1 数字图像 | 第14页 |
| 2.1.2 数字双目立体图像概述 | 第14-15页 |
| 2.1.3 数字双目立体图像系统 | 第15-16页 |
| 2.1.4 立体图像匹配模型 | 第16-17页 |
| 2.2 人眼视觉特性 | 第17-18页 |
| 2.3 立体图像质量评价性能评估 | 第18-20页 |
| 2.3.1 检测数据库 | 第18页 |
| 2.3.2 检测指标 | 第18-20页 |
| 2.4 机器学习概述 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于SimpleMKL和Gabor域特征立体图像质量评价 | 第22-38页 |
| 3.1 立体匹配算法 | 第22-24页 |
| 3.1.1 Shaw Lankton立体算法 | 第22-23页 |
| 3.1.2 基于区域匹配算法 | 第23页 |
| 3.1.3 基于SSIM浓度立体匹配算法 | 第23-24页 |
| 3.2 Gabor变换 | 第24-26页 |
| 3.2.1 傅里叶变换 | 第24-25页 |
| 3.2.2 Gabor定义 | 第25页 |
| 3.2.3 Gabor多分辨率 | 第25-26页 |
| 3.3 多核学习 | 第26-29页 |
| 3.3.1 支持向量机 | 第26-28页 |
| 3.3.2 多核学习 | 第28-29页 |
| 3.4 评价算法 | 第29-31页 |
| 3.4.1 图像特征 | 第29-30页 |
| 3.4.2 算法流程 | 第30-31页 |
| 3.5 实验分析 | 第31-37页 |
| 3.5.1 实验环境配置 | 第31页 |
| 3.5.2 实验控制和结果分析 | 第31-34页 |
| 3.5.3 SimpleMKL的优势 | 第34-36页 |
| 3.5.4 不同立体匹配算法的影响 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第四章 基于SimpleMKL和空间域统计特征立体图像质量评价 | 第38-45页 |
| 4.1 图像特征 | 第38-40页 |
| 4.1.1 空间域变换 | 第38-39页 |
| 4.1.2 联合归一化 | 第39-40页 |
| 4.1.3 联合统计特征 | 第40页 |
| 4.2 评价算法 | 第40-41页 |
| 4.3 实验分析 | 第41-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于极端学习和QWT域特征的立体图像质量评价 | 第45-59页 |
| 5.1 四元数小波变换QWT | 第45-48页 |
| 5.1.1 引言 | 第45页 |
| 5.1.2 小波变换 | 第45-46页 |
| 5.1.3 双树复小波变换 | 第46-47页 |
| 5.1.4 四元数小波变换 | 第47-48页 |
| 5.2 极端学习机 | 第48-50页 |
| 5.2.1 随机映射极端学习机 | 第49-50页 |
| 5.2.2 核映射极端学习机 | 第50页 |
| 5.2.3 在线循序学习机 | 第50页 |
| 5.3 评价算法 | 第50-52页 |
| 5.3.1 图像特征 | 第50-51页 |
| 5.3.2 评价流程 | 第51-52页 |
| 5.4 实验分析 | 第52-57页 |
| 5.4.1 性能分析 | 第52-55页 |
| 5.4.2 核映射极端学习优势 | 第55-57页 |
| 5.4.3 立体信息对性能影响 | 第57页 |
| 5.5 本章小结 | 第57-59页 |
| 第六章 主要结论和展望 | 第59-61页 |
| 6.1 主要结论 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第65页 |
