基于深度学习的图像质量评价
| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 本文的研究内容 | 第12-13页 |
| 1.3 论文的组织结构 | 第13-14页 |
| 第二章 国内外研究现状 | 第14-31页 |
| 2.1 客观图像质量评价方法 | 第14-17页 |
| 2.1.1 全参考型图像质量评价方法 | 第14-16页 |
| 2.1.2 部分参考型图像质量评价方法 | 第16页 |
| 2.1.3 盲图像质量评价方法 | 第16-17页 |
| 2.2 图像质量评价数据库 | 第17-18页 |
| 2.3 基于深度学习的医学图像分析 | 第18-19页 |
| 2.3.1 肠道出血检测 | 第18-19页 |
| 2.4 深度学习经典卷积神经网络 | 第19-27页 |
| 2.4.1 LeNet | 第19-20页 |
| 2.4.2 AlexNet | 第20-22页 |
| 2.4.3 GoogLeNet | 第22-24页 |
| 2.4.4 VGGNet | 第24-26页 |
| 2.4.5 优化算法 | 第26-27页 |
| 2.5 深度学习框架 | 第27-31页 |
| 第三章 基于深度特征相似度的图像质量评价方法 | 第31-46页 |
| 3.1 框架简介 | 第31-32页 |
| 3.2 网络结构 | 第32-33页 |
| 3.3 局部相似性的计算 | 第33-34页 |
| 3.4 质量融合 | 第34-36页 |
| 3.5 实验设置 | 第36-37页 |
| 3.5.1 数据库 | 第36页 |
| 3.5.3 实验设置 | 第36-37页 |
| 3.6 实验结果分析 | 第37-44页 |
| 3.6.1 评价标准 | 第37-38页 |
| 3.6.2 图像预处理对结果的影响 | 第38-39页 |
| 3.6.3 网络的每一层对结果的影响 | 第39-41页 |
| 3.6.4 池化操作对结果的影响 | 第41-42页 |
| 3.6.5 与人类感知的一致性 | 第42-43页 |
| 3.6.6 与现有相关工作的结果的对比 | 第43-44页 |
| 3.6.7 运算复杂度 | 第44页 |
| 3.7 本章小结 | 第44-46页 |
| 第四章 内窥镜肠道出血检测 | 第46-56页 |
| 4.1 框架简介 | 第48页 |
| 4.2 数据集扩增 | 第48-49页 |
| 4.3 深度卷积神经网络的结构 | 第49页 |
| 4.4 网络训练设置 | 第49-51页 |
| 4.5 实验设置 | 第51页 |
| 4.6 实验结果分析 | 第51-54页 |
| 4.6.1 评价标准 | 第51-52页 |
| 4.6.2 数据扩增对结果的影响 | 第52-53页 |
| 4.6.3 卷积神经网络结构对结果的影响 | 第53页 |
| 4.6.4 图像质量对结果的影响 | 第53-54页 |
| 4.7 运算复杂度 | 第54页 |
| 4.8 本章小结 | 第54-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 工作总结 | 第56-57页 |
| 5.2 未来工作展望 | 第57-58页 |
| 致谢 | 第58-60页 |
| 参考文献 | 第60-67页 |
| 附录 | 第67-68页 |
| 详细摘要 | 第68-71页 |
