隨著多媒體、網(wǎng)絡與信息化技術的不斷進步,各類智能終端設備的迅速普及,大規(guī)模的數(shù)字圖像被廣泛應用于信息通信、公共安全、生物醫(yī)學、工業(yè)生產(chǎn)等諸多領域并發(fā)揮著重要作用。數(shù)字圖像能夠記錄和傳遞有用信息,其質量的高低對應用價值影響巨大。因此,研究可靠的客觀圖像質量評價方法,有效監(jiān)測和衡量圖像質量的變化對于數(shù)字圖像的研究和應用均有重要意義。無參考圖像質量評價方法在不需要依賴參考圖像的情況下,根據(jù)失真圖像的特征獨立衡量其質量。本文結合深度學習技術,針對無參考圖像質量評價方法進行了以下研究和探索。針對現(xiàn)有的基于深度學習的方法通�？紤]提取圖像空間域特征,而忽略了其他域特征這一問題,提出一種基于雙通道卷積神經(jīng)網(wǎng)絡的圖像質量評價方法。利用梯度圖像能夠捕捉到失真導致的邊緣變化,該方法構建兩個CNN分支網(wǎng)絡分別從圖像空間域和梯度域中提取特征,并將其融合在一個端到端的框架中用于評估圖像質量。通過在兩個數(shù)據(jù)庫上的實驗驗證,從圖像梯度域提取的特征能夠作為空間域特征的有效補充,更加豐富的圖像特征有利于提升無參考圖像質量評價方法的性能。已有的研究表明,圖像失真時通常會使其視覺顯著性區(qū)域產(chǎn)生變化,從而影響人類對圖像質量的視...

【文章頁數(shù)】：56 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題研究背景及意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 主觀圖像質量評價
        1.2.2 客觀圖像質量評價
    1.3 研究內容和論文組織結構
        1.3.1 本文的研究內容
        1.3.2 本文的組織結構
2 相關理論知識概述
    2.1 深度學習原理介紹
        2.1.1 神經(jīng)網(wǎng)絡
        2.1.2 卷積神經(jīng)網(wǎng)絡
    2.2 經(jīng)典CNN模型
        2.2.1 AlexNet模型
        2.2.2 GoogLeNet模型
        2.2.3 VGGNet模型
        2.2.4 ResNet模型
    2.3 方法性能度量指標
    2.4 本章小結
3 基于雙通道卷積神經(jīng)網(wǎng)絡的無參考圖像質量評價方法
    3.1 梯度域圖像預處理
    3.2 模型構建
    3.3 整體算法
    3.4 實驗結果與分析
        3.4.1 圖像質量評價數(shù)據(jù)庫
        3.4.2 實驗方法
        3.4.3 對比實驗
        3.4.4 性能比較
    3.5 本章小結
4 基于視覺顯著性的無參考圖像質量評價方法
    4.1 視覺顯著圖生成原理
    4.2 模型構建
    4.3 整體算法
    4.4 實驗結果與分析
        4.4.1 實驗方法
        4.4.2 性能比較
        4.4.3 對比實驗
    4.5 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻



本文編號：3974028