摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第12-30页 |
1.1 论文研究背景及意义 | 第12-13页 |
1.2 人类视觉系统 | 第13-17页 |
1.3 图像质量客观评价方法概述 | 第17-26页 |
1.3.1 全参考图像质量评价方法 | 第18-21页 |
1.3.2 半参考图像质量评价方法 | 第21-23页 |
1.3.3 无参考图像质量评价方法 | 第23-26页 |
1.4 图像质量客观评价中存在的技术难点 | 第26-27页 |
1.5 图像质量评价准则 | 第27-28页 |
1.6 论文的主要研究工作和内容安排 | 第28-29页 |
1.7 本文工作的创新点 | 第29-30页 |
2 基于全局视觉显著性和局部对比度的全参考图像质量评价 | 第30-54页 |
2.1 引言 | 第30-32页 |
2.2 相关工作介绍 | 第32-34页 |
2.2.1 视觉显著模型介绍 | 第32-33页 |
2.2.2 基于视觉显著性的图像质量评价介绍及分析 | 第33-34页 |
2.3 基于全局视觉显著性和局部对比度的全参考图像质量评价方法 | 第34-41页 |
2.3.1 全局视觉显著性相似图 | 第35-37页 |
2.3.2 局域对比度相似图 | 第37-40页 |
2.3.3 标准方差加权合并策略 | 第40-41页 |
2.4 实验结果与分析 | 第41-51页 |
2.4.1 实验数据库 | 第41-45页 |
2.4.2 与典型算法的统计对比分析 | 第45-49页 |
2.4.3 针对单个失真的性能比较分析 | 第49-51页 |
2.4.4 运算时间比较 | 第51页 |
2.5 本章小结 | 第51-54页 |
3 基于梯度幅值相似性和自然场景统计模型的无参考图像质量评价 | 第54-72页 |
3.1 引言 | 第54-56页 |
3.2 相关工作介绍及研究动机 | 第56-58页 |
3.2.1 相关工作介绍 | 第56-57页 |
3.2.2 研究动机 | 第57-58页 |
3.3 基于梯度自相似和自然场景统计模型的无参考图像质量评价方法 | 第58-66页 |
3.3.1 自然场景统计模型参数特征 | 第59-61页 |
3.3.2 基于梯度幅值相似性的感知特征 | 第61-65页 |
3.3.3 质量评价模型 | 第65-66页 |
3.4 实验结果及分析 | 第66-70页 |
3.4.1 与典型算法的统计对比分析 | 第67-69页 |
3.4.2 鲁棒性实验及分析 | 第69页 |
3.4.3 数库独立性实验及分析 | 第69-70页 |
3.4.4 计算复杂度分析 | 第70页 |
3.5 本章小结 | 第70-72页 |
4 结合互补感知特征和自然场景统计模型的无参考图像质量评价 | 第72-88页 |
4.1 引言 | 第72-73页 |
4.2 视觉显著区域检测算法介绍 | 第73-74页 |
4.3 结合互补感知特征和自然场景统计模型的无参考图像质量评价方法 | 第74-79页 |
4.3.1 自然场景统计特征 | 第74-77页 |
4.3.2 感知特征 | 第77-78页 |
4.3.3 质量评价模型 | 第78-79页 |
4.4 实验结果及分析 | 第79-85页 |
4.4.1 显著分块提取阈值设置 | 第79-80页 |
4.4.2 与典型算法的统计对比分析 | 第80-82页 |
4.4.3 特征结合的可行性分析 | 第82-83页 |
4.4.4 鲁棒性实验分析 | 第83-84页 |
4.4.5 数据库独立性实验及分析 | 第84-85页 |
4.4.6 计算复杂度分析 | 第85页 |
4.5 本章小结 | 第85-88页 |
5 基于深度学习的无参考图像质量评价 | 第88-102页 |
5.1 引言 | 第88-90页 |
5.2 深度学习相关介绍 | 第90-91页 |
5.2.1 深度学习研究现状 | 第90-91页 |
5.2.2 基于卷积神经网络的无参考图像质量评价方法相关介绍及分析 | 第91页 |
5.3 基于主成分分析网络的无参考图像质量评价方法 | 第91-95页 |
5.3.1 特征提取 | 第92-94页 |
5.3.2 回归 | 第94-95页 |
5.4 实验结果及分析 | 第95-100页 |
5.4.1 参数的选择及其对性能的影响实验 | 第95-97页 |
5.4.2 与典型算法统计对比分析 | 第97-99页 |
5.4.3 鲁棒性实验及分析 | 第99页 |
5.4.4 数据库独立性实验及分析 | 第99页 |
5.4.5 计算复杂度分析 | 第99-100页 |
5.5 本章小结 | 第100-102页 |
6 结论与展望 | 第102-108页 |
6.1 本文工作总结 | 第102-103页 |
6.2 本文所提算法性能比较及分析 | 第103-105页 |
6.3 未来工作展望 | 第105-108页 |
致谢 | 第108-110页 |
参考文献 | 第110-122页 |
附录 | 第122页 |