基于稀疏表达联合迁移学习的盲图像质量评价
| 摘要 | 第10-12页 |
| ABSTRACT | 第12-14页 |
| 1 绪论 | 第15-35页 |
| 1.1 引言 | 第15页 |
| 1.2 选题背景及意义 | 第15-17页 |
| 1.3 图像质量含义 | 第17-18页 |
| 1.4 图像质量评价分类与研究现状 | 第18-26页 |
| 1.4.1 主观图像质量评价 | 第19-20页 |
| 1.4.2 客观图像质量评价 | 第20-26页 |
| 1.5 机器学习概述 | 第26-29页 |
| 1.5.1 特征提取的机器学习 | 第26-27页 |
| 1.5.2 预测模型构建的机器学习 | 第27-29页 |
| 1.6 图像质量评价数据库 | 第29-32页 |
| 1.6.1 LIVE数据库 | 第29-30页 |
| 1.6.2 CSIQ数据库 | 第30页 |
| 1.6.3 TID2008和TID2013数据库 | 第30-31页 |
| 1.6.4 IVC数据库 | 第31-32页 |
| 1.7 论文内容安排 | 第32-35页 |
| 2 盲图像质量评价关键技术 | 第35-52页 |
| 2.1 引言 | 第35页 |
| 2.2 人类视觉系统 | 第35-40页 |
| 2.2.1 视觉注意特性 | 第36-37页 |
| 2.2.2 稀疏表示特性 | 第37-38页 |
| 2.2.3 多信道特性 | 第38-39页 |
| 2.2.4 对比度敏感特性 | 第39页 |
| 2.2.5 掩盖效应 | 第39-40页 |
| 2.3 图像特征系数构建策略 | 第40-45页 |
| 2.3.1 变换域系数 | 第40页 |
| 2.3.2 空间域系数 | 第40-41页 |
| 2.3.3 字典编码系数 | 第41-45页 |
| 2.4 特征提取策略 | 第45-49页 |
| 2.4.1 模型拟合方法 | 第46-47页 |
| 2.4.2 拆分方法 | 第47-48页 |
| 2.4.3 池化方法 | 第48-49页 |
| 2.5 基于特征的预测模型构建 | 第49页 |
| 2.6 性能评价指标 | 第49-50页 |
| 2.6.1 斯皮尔曼等级相关系数 | 第49页 |
| 2.6.2 肯德尔等级相关系数 | 第49-50页 |
| 2.6.3 皮尔森线性相关系数 | 第50页 |
| 2.6.4 均方根误差 | 第50页 |
| 2.6.5 平均绝对误差 | 第50页 |
| 2.7 本章总结 | 第50-52页 |
| 3 基于显著区稀疏特征的盲图像质量评价 | 第52-76页 |
| 3.1 引言 | 第52页 |
| 3.2 空域显著性局部特征描述子 | 第52-58页 |
| 3.2.1 显著性检测 | 第52-56页 |
| 3.2.2 显著性局部特征描述子提取 | 第56-58页 |
| 3.3 视觉稀疏特征提取 | 第58-63页 |
| 3.3.1 稀疏字典训练 | 第58-59页 |
| 3.3.2 稀疏表达求解 | 第59-61页 |
| 3.3.3 稀疏特征提取 | 第61页 |
| 3.3.4 评价模型构建 | 第61-63页 |
| 3.4 实验结果与分析 | 第63-75页 |
| 3.4.1 实验数据集 | 第63页 |
| 3.4.2 实验细节 | 第63-64页 |
| 3.4.3 关键参数和模型选取 | 第64-68页 |
| 3.4.4 一致性实验 | 第68-74页 |
| 3.4.5 跨数据库实验 | 第74-75页 |
| 3.5 本章总结 | 第75-76页 |
| 4 基于双尺度稀疏系数分解的盲图像质量评价 | 第76-91页 |
| 4.1 引言 | 第76页 |
| 4.2 双尺度稀疏表达 | 第76-81页 |
| 4.2.1 多尺度稀疏编码 | 第76-78页 |
| 4.2.2 双尺度稀疏系数 | 第78-81页 |
| 4.3 能量分解模型 | 第81-83页 |
| 4.4 特征提取和评价模型学习 | 第83页 |
| 4.5 实验及分析 | 第83-90页 |
| 4.5.1 实验方法及细节 | 第83-84页 |
| 4.5.2 关键参数和模型选取 | 第84-86页 |
| 4.5.3 一致性实验 | 第86-88页 |
| 4.5.4 稳定性实验 | 第88-89页 |
| 4.5.5 跨数据库实验 | 第89-90页 |
| 4.6 本章总结 | 第90-91页 |
| 5 基于联合迁移学习的盲图像质量评价 | 第91-113页 |
| 5.1 引言 | 第91-92页 |
| 5.2 迁移学习介绍 | 第92-98页 |
| 5.2.1 样本实例归纳式迁移 | 第94-96页 |
| 5.2.2 无监督特征重建归纳式迁移 | 第96-98页 |
| 5.3 VOC2007数据库处理 | 第98-101页 |
| 5.3.1 失真样本生成处理 | 第99-100页 |
| 5.3.2 样本特征生成处理 | 第100页 |
| 5.3.3 样本标注处理 | 第100-101页 |
| 5.4 稀疏表示联合样例迁移模型 | 第101-102页 |
| 5.5 空域重建特征的监督学习模型 | 第102-103页 |
| 5.6 实验及分析 | 第103-112页 |
| 5.6.1 实验方法及细节 | 第103-104页 |
| 5.6.2 一致性实验 | 第104-109页 |
| 5.6.3 稳定性实验 | 第109-111页 |
| 5.6.4 跨数据库实验 | 第111-112页 |
| 5.7 本章总结 | 第112-113页 |
| 6 图像质量评价方法的嵌入式硬件实现 | 第113-132页 |
| 6.1 引言 | 第113页 |
| 6.2 多光谱图像压缩方法 | 第113-115页 |
| 6.3 字典投影的评价方法 | 第115-117页 |
| 6.3.1 字典投影特征 | 第115-116页 |
| 6.3.2 质量评估方法 | 第116-117页 |
| 6.4 并行硬件加速架构 | 第117-120页 |
| 6.5 实验结果 | 第120-131页 |
| 6.5.1 实验对象 | 第120-125页 |
| 6.5.2 SSODPF算法评价效果 | 第125-129页 |
| 6.5.3 硬件加速实现 | 第129-131页 |
| 6.6 本章总结 | 第131-132页 |
| 7 总结与展望 | 第132-135页 |
| 7.1 研究总结 | 第132-133页 |
| 7.2 研究展望 | 第133-135页 |
| 参考文献 | 第135-147页 |
| 攻读博士期间发表的论文及科研项目情况 | 第147-149页 |
| 致谢 | 第149-150页 |
