| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 客观图像质量评价方法研究现状 | 第11-15页 |
| 1.2.1 全参考质量评价方法 | 第12-13页 |
| 1.2.2 部分参考质量评价方法 | 第13-14页 |
| 1.2.3 无参考质量评价方法 | 第14-15页 |
| 1.3 人类视觉系统特性 | 第15-17页 |
| 1.3.1 人眼系统 | 第15-16页 |
| 1.3.2 视觉物理学特性 | 第16-17页 |
| 1.4 论文研究内容和主要结构 | 第17-19页 |
| 第二章 通用型无参考图像质量评价方法的研究 | 第19-33页 |
| 2.1 基于小波域特性的无参考质量评价方法 | 第19-21页 |
| 2.1.1 BIQI算法 | 第19-20页 |
| 2.1.2 DIIVINE算法 | 第20-21页 |
| 2.2 基于空间域特性的无参考质量评价方法 | 第21-25页 |
| 2.2.1 BRISQUE算法 | 第21-23页 |
| 2.2.2 GRNN算法 | 第23-25页 |
| 2.3 基于DCT域特性的无参考质量评价方法 | 第25-27页 |
| 2.3.1 BLIINDS-Ⅱ算法 | 第25-27页 |
| 2.4 基于真实失真的无参考质量评价方法 | 第27-30页 |
| 2.4.1 FRIQUEE算法 | 第27-29页 |
| 2.4.2 Yang算法 | 第29-30页 |
| 2.5 本章小结 | 第30-33页 |
| 第三章 无参考真实图像质量评价方法的研究 | 第33-47页 |
| 3.1 图像特征提取方法 | 第33-39页 |
| 3.1.1 图像熵(Image Entropy)特征 | 第33-34页 |
| 3.1.2 梯度域LBP(Local Binary Pattern)特征 | 第34-35页 |
| 3.1.3 NSS (Natural Scene Statistics)特征 | 第35-37页 |
| 3.1.4 基于方向梯度直方图(HOG)特征 | 第37-39页 |
| 3.2 特征数据处理 | 第39-40页 |
| 3.3 XGBoost简介 | 第40-42页 |
| 3.4 算法评价指标 | 第42-43页 |
| 3.5 数据库介绍 | 第43页 |
| 3.6 实验结果与分析 | 第43-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 基于卷积神经网络的图像质量评价方法 | 第47-57页 |
| 4.1 模型理论 | 第47-49页 |
| 4.1.1 神经网络(Neural network) | 第47页 |
| 4.1.2 深度卷积神经网络(DCNN) | 第47-48页 |
| 4.1.3 基于DCNN的图像质量评价 | 第48-49页 |
| 4.2 模型框架 | 第49-52页 |
| 4.2.1 质量预测框架 | 第49-50页 |
| 4.2.2 质量分类框架 | 第50-52页 |
| 4.3 实验结果和分析 | 第52-56页 |
| 4.3.1 数据集扩充 | 第52-53页 |
| 4.3.2 开发工具和训练过程 | 第53页 |
| 4.3.3 真实失真图像质量预测结果及分析 | 第53-54页 |
| 4.3.4 真实失真图像质量分类结果及分析 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 总结和展望 | 第57-59页 |
| 5.1 全文工作总结 | 第57-58页 |
| 5.2 后续工作展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 攻读学位期间发表的学术论文目录 | 第64页 |
