| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文主要内容及章节安排 | 第12-14页 |
| 第二章 图像质量评价基础概述 | 第14-22页 |
| 2.1 引言 | 第14页 |
| 2.2 人类视觉系统 | 第14-15页 |
| 2.3 深度学习基本理论介绍 | 第15-18页 |
| 2.3.1 卷积神经网络 | 第15-17页 |
| 2.3.2 深度信念网络 | 第17-18页 |
| 2.4 图像质量评价数据库及其评价指标 | 第18-21页 |
| 2.4.1 主观评分差值 | 第18-19页 |
| 2.4.2 图像数据库 | 第19-20页 |
| 2.4.3 评价指标 | 第20-21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 基于DBN的无参考混合失真图像质量评价方法 | 第22-30页 |
| 3.1 引言 | 第22页 |
| 3.2 算法设计与实现 | 第22-26页 |
| 3.2.1 局部亮度系数归一化 | 第22-23页 |
| 3.2.2 DBN模型结构 | 第23-25页 |
| 3.2.3 质量分数池化 | 第25-26页 |
| 3.3 基于DBN的无参考混合失真图像质量评价方法的框架 | 第26页 |
| 3.4 本章的实验结果与分析 | 第26-29页 |
| 3.4.1 混合失真图像库简介 | 第26-27页 |
| 3.4.2 实验结果与分析 | 第27-29页 |
| 3.5 本章小结 | 第29-30页 |
| 第四章 基于Siamese网络的立体图像质量评价算法 | 第30-37页 |
| 4.1 引言 | 第30页 |
| 4.2 Siamese网络 | 第30-33页 |
| 4.2.1 对比损失函数 | 第31页 |
| 4.2.2 Siamese网络结构 | 第31-33页 |
| 4.3 本章的实验结果与分析 | 第33-36页 |
| 4.3.1 模型训练 | 第33页 |
| 4.3.2 实验结果分析比较 | 第33-36页 |
| 4.4 本章小结 | 第36-37页 |
| 第五章 基于图像融合和CNN的立体图像质量评价算法 | 第37-49页 |
| 5.1 引言 | 第37页 |
| 5.2 图像预处理 | 第37-39页 |
| 5.2.1 PCA融合 | 第37-38页 |
| 5.2.2 亮度系数归一化 | 第38-39页 |
| 5.3 CNN网络设计 | 第39-42页 |
| 5.3.1 CNN网络架构 | 第39-41页 |
| 5.3.2 网络参数 | 第41-42页 |
| 5.4 基于图像融合和卷积神经网络的立体图像质量评价算法 | 第42-43页 |
| 5.4.1 算法模型 | 第42页 |
| 5.4.2 训练与测试 | 第42-43页 |
| 5.5 本章的实验结果与分析 | 第43-48页 |
| 5.6 本章小结 | 第48-49页 |
| 第六章 基于多通道输入卷积神经网络的立体图像评价算法研究 | 第49-59页 |
| 6.1 引言 | 第49页 |
| 6.2 两通道输入的CNN | 第49-51页 |
| 6.2.1 卷积层 | 第50页 |
| 6.2.2 池化层 | 第50-51页 |
| 6.2.3 线性连接Concat层 | 第51页 |
| 6.3 三通道输入的CNN | 第51-53页 |
| 6.3.1 三通道的CNN结构 | 第51-52页 |
| 6.3.2 视差图算法 | 第52-53页 |
| 6.4 实施细节 | 第53-54页 |
| 6.5 本章的实验结果与分析 | 第54-58页 |
| 6.6 本章小结 | 第58-59页 |
| 主要结论与展望 | 第59-61页 |
| 主要结论 | 第59-60页 |
| 展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第66页 |
