首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于深度学习的无参考图像质量评价算法研究及应用

摘要第5-6页
Abstract第6页
第一章 绪论第9-17页
    1.1 研究背景与意义第9-10页
    1.2 国内外研究现状第10-15页
        1.2.1 全参考图像质量评价方法第10-11页
        1.2.2 部分参考图像质量评价方法第11-12页
        1.2.3 无参考图像质量评价方法第12-14页
        1.2.4 图像质量评价方法应用的难点第14-15页
    1.3 本文研究内容第15页
    1.4 本文组织结构第15-17页
第二章 相关理论基础第17-26页
    2.1 数据库第17-19页
    2.2 评价指标第19-21页
    2.3 图像质量评价的深度学习模型第21-25页
        2.3.1 预处理第21-22页
        2.3.2 深度学习模型第22-25页
    2.4 本章小结第25-26页
第三章 基于CNN和视觉显著性的无参考图像质量评价第26-39页
    3.1 基于CNN的局部图像质量评价第26-31页
        3.1.1 HSV颜色空间第26-27页
        3.1.2 Inception结构第27-28页
        3.1.3 CNN模型第28-30页
        3.1.4 局部图像质量评价第30-31页
    3.2 基于视觉显著性的全局图像质量评价第31-33页
        3.2.1 视觉显著性第31-32页
        3.2.2 全局图像质量评价第32-33页
    3.3 实验结果及分析第33-38页
        3.3.1 有效性实验第33-34页
        3.3.2 稳定性实验第34-35页
        3.3.3 独立性实验第35页
        3.3.4 采样参数对性能的影响第35-37页
        3.3.5 混合失真图像质量评价第37-38页
    3.4 本章小结第38-39页
第四章 基于无参考图像质量评价的去噪算法的参数选择第39-53页
    4.1 基于无参考图像质量评价的图像去噪算法参数选择第40-46页
        4.1.1 无参考图像质量评价方法第40页
        4.1.2 图像去噪算法第40-43页
        4.1.3 参数选择框架第43-46页
    4.2 实验结果及分析第46-52页
        4.2.1 无参考图像质量评价算法性能第46-47页
        4.2.2 图像去噪算法的参数选择第47-52页
    4.3 本章小结第52-53页
第五章 总结与展望第53-55页
    5.1 本文工作总结第53页
    5.2 未来展望第53-55页
致谢第55-56页
参考文献第56-62页
附录第62-63页
详细摘要第63-65页

论文共65页,点击 下载论文
上一篇:基于UML模型的测试用例优先排序技术研究
下一篇:运动摄像机下基于EMP的运动目标检测算法研究