摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第1章 绪论 | 第10-34页 |
1.1 课题研究背景及意义 | 第10-13页 |
1.2 课题研究现状及方法 | 第13-30页 |
1.2.1 图像质量主观评价研究方法 | 第13-14页 |
1.2.2 图像质量客观评价研究方法 | 第14-18页 |
1.2.3 蚁群算法的基本原理 | 第18-21页 |
1.2.4 蚁群算法的研究现状 | 第21-23页 |
1.2.5 评价图像质量评价算法的性能指标 | 第23-25页 |
1.2.6 图像数据库 | 第25-30页 |
1.3 本文研究内容和创新点 | 第30-34页 |
1.3.1 本文内容安排 | 第30-32页 |
1.3.2 本文创新点 | 第32-34页 |
第2章 降质图像空间特征一致性估计 | 第34-57页 |
2.1 引言 | 第34-35页 |
2.2 基于颜色特征一致性的降质图像噪声估计 | 第35-48页 |
2.2.1 基于图像块颜色一致性的噪声方差估计 | 第36-39页 |
2.2.2 图像噪声质量评分 | 第39-41页 |
2.2.3 图像噪声估计算法性能的衡量 | 第41-45页 |
2.2.4 图像评分性能的衡量 | 第45-48页 |
2.3 基于纹理特征一致性的降质图像噪声估计 | 第48-56页 |
2.3.1 基于特征值分析的图像噪声估计 | 第48-50页 |
2.3.2 基于纹理一致性的强度度量平滑块选择 | 第50-53页 |
2.3.3 实验结果及分析 | 第53-56页 |
2.4 本章小结 | 第56-57页 |
第3章 可变蚁群算法降质图像盲评价 | 第57-74页 |
3.1 引言 | 第57-58页 |
3.2 基于蚁群算法盲图像噪声估计 | 第58-60页 |
3.3 基于可变体积的蚁群算法盲图像质量评价 | 第60-67页 |
3.3.1 可变蚁群算法基本原理 | 第61-62页 |
3.3.2 基于可变蚁群算法的图像质量评价 | 第62-65页 |
3.3.3 图像质量评分 | 第65-67页 |
3.4 实验结果及分析 | 第67-72页 |
3.4.1 图像噪声估计实验评估 | 第67-69页 |
3.4.2 图像质量评价实验评估 | 第69-72页 |
3.5 本章小结 | 第72-74页 |
第4章 蚁群最短路径降质视频盲评价 | 第74-88页 |
4.1 引言 | 第74页 |
4.2 最短路径算法简介 | 第74-76页 |
4.2.1 Dijkstra算法 | 第75-76页 |
4.2.2 Floyd算法 | 第76页 |
4.2.3 Bellman-Ford算法 | 第76页 |
4.3 蚂蚁路径生成和分析 | 第76-80页 |
4.3.1 路径和目的地的比较 | 第76-77页 |
4.3.2 路径选择规则 | 第77-78页 |
4.3.3 蚂蚁最短路径(MASP)算法 | 第78-80页 |
4.4 实验结果及分析 | 第80-87页 |
4.4.1 MASP算法在标准图像数据库上的实验结果及分析 | 第81-84页 |
4.4.2 MASP算法在监控视频集上的实验结果及分析 | 第84-87页 |
4.5 本章小结 | 第87-88页 |
第5章 类间蚂蚁竞争模型降质图像清晰度感知 | 第88-104页 |
5.1 引言 | 第88-93页 |
5.1.1 两类蚂蚁间的竞争 | 第88-91页 |
5.1.2 视觉注意机制 | 第91-93页 |
5.2 基于两类蚂蚁相互竞争的盲图像清晰度感知 | 第93-96页 |
5.2.1 两类蚂蚁相互竞争的清晰度 | 第93-95页 |
5.2.2 基于视觉注意机制的局部失真策略 | 第95-96页 |
5.3 实验结果及分析 | 第96-102页 |
5.3.1 算法在标准图像数据库上的实验结果及分析 | 第96-101页 |
5.3.2 算法在监控视频集上的实验结果及分析 | 第101-102页 |
5.4 本章小结 | 第102-104页 |
第6章 结论与展望 | 第104-107页 |
6.1 本文工作总结 | 第104-105页 |
6.2 后续工作展望 | 第105-107页 |
致谢 | 第107-108页 |
参考文献 | 第108-119页 |
附录1 攻读博士学位期间发表的论文 | 第119-120页 |
附录2 攻读博士学位期间参加的科研项目 | 第120页 |