摘要 | 第3-4页 |
Abstract | 第4-5页 |
第一章 绪论 | 第8-15页 |
1.1 研究背景与意义 | 第8页 |
1.2 国内外研究现状 | 第8-11页 |
1.2.1 集成学习的发展研究 | 第8-10页 |
1.2.2 集成学习的应用研究 | 第10-11页 |
1.3 图像质量评价 | 第11-14页 |
1.3.1 图像质量评价方法研究内容发展及现状 | 第11-13页 |
1.3.2 图像质量评价方法的性能指标 | 第13-14页 |
1.4 本文的研究内容及章节安排 | 第14-15页 |
第二章 集成学习算法 | 第15-24页 |
2.1 个体与集成 | 第15-17页 |
2.2 集成学习算法框架 | 第17-19页 |
2.2.1 Boosting算法框架 | 第17-18页 |
2.2.2 Bagging算法框架 | 第18-19页 |
2.2.3 Stacking算法框架 | 第19页 |
2.3 相关研究内容 | 第19-22页 |
2.3.1 误差-分歧分解 | 第19-21页 |
2.3.2 多样性增强 | 第21-22页 |
2.4 存在的问题及不足之处 | 第22-23页 |
2.5 本章小结 | 第23-24页 |
第三章 集成随机森林算法及其在图像质量评价中的应用 | 第24-35页 |
3.1 随机森林简介 | 第24页 |
3.2 集成随机森林算法 | 第24-26页 |
3.3 集成随机森林算法在图像质量评价中的应用 | 第26-29页 |
3.3.1 LIVEMD图像数据库简介 | 第26-27页 |
3.3.2 MDID2013图像数据库简介 | 第27-28页 |
3.3.3 图像特征简介 | 第28页 |
3.3.4 图像质量评价算法流程 | 第28-29页 |
3.4 实验结果与分析 | 第29-34页 |
3.4.1 LIVEMD数据库实验结果与分析 | 第29-32页 |
3.4.2 MDID2013数据库实验结果与分析 | 第32-33页 |
3.4.3 集成规模的变化对实验结果的影响 | 第33页 |
3.4.4 不同回归学习算法的实验结果与分析 | 第33-34页 |
3.5 本章小结 | 第34-35页 |
第四章 基于双重数据扰动的集成随机森林算法及其在图像质量评价中的应用 | 第35-44页 |
4.1 双重数据扰动方法 | 第35-36页 |
4.1.1 自助采样原理 | 第35-36页 |
4.1.2 旋转森林原理 | 第36页 |
4.2 基于双重数据扰动的集成随机森林算法 | 第36-37页 |
4.3 基于双重数据扰动的集成随机森林算法在图像质量评价中的应用 | 第37-38页 |
4.3.1 图像特征简介 | 第37页 |
4.3.2 图像质量评价算法流程 | 第37-38页 |
4.4 实验结果与分析 | 第38-43页 |
4.4.1 LIVEMD数据库实验结果与分析 | 第38-41页 |
4.4.2 MDID2013数据库实验结果与分析 | 第41-42页 |
4.4.3 集成规模的变化对实验结果的影响 | 第42页 |
4.4.4 不同回归学习算法的实验结果与分析 | 第42-43页 |
4.5 本章小结 | 第43-44页 |
第五章 基于集成学习的四元数小波变换立体图像质量评价 | 第44-58页 |
5.1 立体图像质量评价概述 | 第44-47页 |
5.1.1 人类视觉系统 | 第44-45页 |
5.1.2 立体图像 | 第45页 |
5.1.3 立体图像质量评价数据库简介 | 第45-47页 |
5.2 四元数小波变换简介 | 第47-48页 |
5.3 基于集成学习的四元数小波变换立体图像质量评价 | 第48-51页 |
5.3.1 图像特征简介 | 第48-51页 |
5.3.2 图像质量评价算法流程 | 第51页 |
5.4 实验结果与分析 | 第51-57页 |
5.4.1 LIVE_3DIQD_PhaseI数据库实验结果与分析 | 第51-54页 |
5.4.2 LIVE_3DIQD_PhaseII数据库实验结果与分析 | 第54-56页 |
5.4.3 ROF-AdaBoostRF集成规模的变化对实验结果的影响 | 第56页 |
5.4.4 不同回归学习算法的实验结果与分析 | 第56-57页 |
5.5 本章小结 | 第57-58页 |
第六章 主要结论与展望 | 第58-60页 |
致谢 | 第60-61页 |
参考文献 | 第61-65页 |
附录:作者在攻读硕士学位期间发表的论文 | 第65页 |