| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题背景和研究意义 | 第9-10页 |
| 1.2 国内外研究现状及发展趋势 | 第10-13页 |
| 1.3 本文的主要工作及结构安排 | 第13-15页 |
| 1.3.1 本文主要工作 | 第13页 |
| 1.3.2 结构安排 | 第13-15页 |
| 第2章 立体视觉系统介绍 | 第15-23页 |
| 2.1 人类立体视觉系统的基础理论 | 第15-17页 |
| 2.1.1 人眼的生理结构 | 第15-16页 |
| 2.1.2 人类视觉的产生过程 | 第16-17页 |
| 2.2 立体视觉的基础知识 | 第17-21页 |
| 2.2.1 立体视觉的生理特性 | 第18-20页 |
| 2.2.2 立体视觉的心理特性 | 第20-21页 |
| 2.3 影响立体图像质量评价的其他因素 | 第21页 |
| 2.4 本章小结 | 第21-23页 |
| 第3章 神经网络及优化算法 | 第23-41页 |
| 3.1 人工神经网络介绍 | 第23-28页 |
| 3.1.1 人工神经网络模型 | 第23-24页 |
| 3.1.2 人工神经网络的影响因素 | 第24-27页 |
| 3.1.3 人工神经网络的分类 | 第27-28页 |
| 3.2 支持向量机 | 第28-33页 |
| 3.2.1 支持向量机的基本原理 | 第28-29页 |
| 3.2.2 支持向量机不同分类问题的求解方法 | 第29-33页 |
| 3.3 极限学习机算法 | 第33-35页 |
| 3.3.1 极限学习机的基本原理 | 第33-35页 |
| 3.3.2 极限学习机的最优化条件 | 第35页 |
| 3.4 深度学习 | 第35-38页 |
| 3.4.1 深度学习的基本思想 | 第36-37页 |
| 3.4.2 深度学习的训练方法 | 第37-38页 |
| 3.5 遗传算法 | 第38-40页 |
| 3.5.1 遗传算法基础 | 第38-39页 |
| 3.5.2 遗传算法的实现过程 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于深度学习和极限学习机的立体图像质量评价 | 第41-51页 |
| 4.1 立体图像质量评价系统架构 | 第41-42页 |
| 4.2 图像特征提取方式 | 第42-45页 |
| 4.2.1 主成分分析方法 | 第42-44页 |
| 4.2.2 深度学习结构稀疏自动编码器 | 第44-45页 |
| 4.3 立体图像质量的评价网络 | 第45-49页 |
| 4.3.1 遗传算法优化极限学习机的原理及实现 | 第45-47页 |
| 4.3.2 深度极限学习机的原理及实现 | 第47-49页 |
| 4.4 本章小结 | 第49-51页 |
| 第5章 实验与结果分析 | 第51-59页 |
| 5.1 实验素材的选取 | 第51-52页 |
| 5.2 实验方法 | 第52页 |
| 5.3 初始网络参数的选择 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-57页 |
| 5.4.1 GA-ELM和ELM的比较 | 第53-54页 |
| 5.4.2 D-ELM的性能分析 | 第54-56页 |
| 5.4.3 主成分分析和自动编码器的性能分析 | 第56-57页 |
| 5.4.4 不同网络结构下的立体图像质量评价方法性能分析 | 第57页 |
| 5.5 本章小结 | 第57-59页 |
| 第6章 总结与展望 | 第59-61页 |
| 6.1 总结 | 第59页 |
| 6.2 展望 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 发表论文和参加科研情况说明 | 第65-67页 |
| 致谢 | 第67-68页 |