圖像復(fù)雜度的評(píng)價(jià)方法被廣泛的應(yīng)用于目標(biāo)識(shí)別、信息安全、圖像壓縮、認(rèn)知心理學(xué)等領(lǐng)域。研究圖像復(fù)雜度的評(píng)價(jià)不僅有利于進(jìn)一步了解人類視覺的認(rèn)知過程,同時(shí)能夠促進(jìn)其他相關(guān)科學(xué)領(lǐng)域的發(fā)展。本文對(duì)圖像復(fù)雜度的評(píng)價(jià)及應(yīng)用開展如下工作:將多種信息熵特征引入圖像復(fù)雜度評(píng)價(jià)中,提出了一種將紋理特征、顏色特征和多種信息熵特征融合的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)雜度評(píng)價(jià)方案。首先建立圖像數(shù)據(jù)庫,然后對(duì)圖像進(jìn)行多特征提取,并且針對(duì)這些特征量存在冗余的問題,給出了一種與分類結(jié)果相對(duì)應(yīng)的相關(guān)系數(shù)降維方法,將選擇后的特征量輸入BP神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練測試。實(shí)驗(yàn)結(jié)果顯示,本文得到的復(fù)雜度評(píng)價(jià)方法不僅符合人眼視覺,而且評(píng)價(jià)結(jié)果要優(yōu)于現(xiàn)有的復(fù)雜度評(píng)價(jià)方法。針對(duì)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化算法中存在的非凸優(yōu)化問題,給出了一種改進(jìn)的基于遺傳算法的BP經(jīng)網(wǎng)絡(luò)圖像復(fù)雜度評(píng)價(jià)方法,提出可以在遺傳算法評(píng)估的不同階段使用不同規(guī)格的神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型以應(yīng)對(duì)不同場景下的評(píng)估需求,保證算法有效性的前提下克服了算法復(fù)雜度過高的問題。將該算法代入圖像復(fù)雜度評(píng)價(jià)實(shí)驗(yàn)中進(jìn)行測試,實(shí)驗(yàn)結(jié)果顯示,隨著迭代的進(jìn)行圖像復(fù)雜度評(píng)價(jià)性能得到大幅提升。最后,將多特征融合的GA-BP神經(jīng)網(wǎng)絡(luò)圖... 

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 圖像復(fù)雜度研究方法現(xiàn)狀
        1.2.2 圖像復(fù)雜度應(yīng)用領(lǐng)域現(xiàn)狀
    1.3 本文的研究思路和內(nèi)容安排
2 圖像復(fù)雜度評(píng)價(jià)的相關(guān)理論
    2.1 圖像復(fù)雜度分類
    2.2 圖像復(fù)雜度特征
        2.2.1 顏色特征
        2.2.2 紋理特征
        2.2.3 基于信息熵的特征
    2.3 本章小結(jié)
3 基于多特征融合的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)雜度評(píng)價(jià)方法
    3.1 圖像復(fù)雜度的主觀評(píng)價(jià)實(shí)驗(yàn)
    3.2 圖像復(fù)雜度特征提取
    3.3 圖像復(fù)雜度特征選擇
    3.4 基于BP神經(jīng)網(wǎng)絡(luò)的圖像復(fù)雜度評(píng)價(jià)
    3.5 基于BP神經(jīng)網(wǎng)絡(luò)的圖像復(fù)雜度評(píng)價(jià)算法仿真與實(shí)驗(yàn)
        3.5.1 圖像復(fù)雜度評(píng)價(jià)算法實(shí)驗(yàn)
        3.5.2 實(shí)驗(yàn)結(jié)果分析
        3.5.3 不同的評(píng)價(jià)方法對(duì)比
    3.6 本章小結(jié)
4 改進(jìn)的基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)雜度評(píng)價(jià)
    4.1 基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)雜度評(píng)價(jià)
    4.2 改進(jìn)的基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)雜度評(píng)價(jià)
    4.3 改進(jìn)的基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)圖像復(fù)雜度評(píng)價(jià)算法性能測試
    4.4 本章小結(jié)
5 圖像復(fù)雜度評(píng)價(jià)在煤矸石識(shí)別中的應(yīng)用
    5.1 基于圖像復(fù)雜度的煤矸石識(shí)別
        5.1.1 基于圖像復(fù)雜度評(píng)價(jià)算法的煤矸石識(shí)別
        5.1.2 基于圖像復(fù)雜度評(píng)價(jià)算法的煤矸石識(shí)別結(jié)果
    5.2 本章小結(jié)
6 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
附錄 攻讀學(xué)位期間發(fā)表的論文


【參考文獻(xiàn)】：
期刊論文
[1]基于多特征信息融合的彩色圖像復(fù)雜度研究[J]. 馮丹青,陳亮.  通信技術(shù). 2019(09)
[2]基于機(jī)器視覺的多機(jī)械臂煤矸石分揀機(jī)器人系統(tǒng)研究[J]. 王鵬,曹現(xiàn)剛,夏晶,吳旭東,馬宏偉.  工礦自動(dòng)化. 2019(09)
[3]Improved Social Emotion Optimization Algorithm for Short-Term Traffic Flow Forecasting Based on Back-Propagation Neural Network[J]. 張軍,趙申衛(wèi),王遠(yuǎn)強(qiáng),朱新山.  Journal of Shanghai Jiaotong University（Science）. 2019(02)
[4]基于精細(xì)復(fù)合多尺度熵與支持向量機(jī)的睡眠分期[J]. 葉仙,胡潔,田畔,戚進(jìn),車大鈿,丁穎.  上海交通大學(xué)學(xué)報(bào). 2019(03)
[5]Mapping Soil Electrical Conductivity Using Ordinary Kriging Combined with Back-propagation Network[J]. HUANG Yajie,LI Zhen,YE Huichun,ZHANG Shiwen,ZHUO Zhiqing,XING An,HUANG Yuanfang.  Chinese Geographical Science. 2019(02)
[6]基于機(jī)器視覺的煤矸石多工況識(shí)別研究[J]. 沈?qū)?竇東陽,楊程,張勇.  煤炭工程. 2019(01)
[7]基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的接觸電阻預(yù)測[J]. 孫海峰,沈穎,王亞楠.  電測與儀表. 2019(05)
[8]基于小波變換的煤矸石自動(dòng)分選方法[J]. 陳立,杜文華,曾志強(qiáng),王俊元,王日俊.  工礦自動(dòng)化. 2018(12)
[9]圖像復(fù)雜度研究綜述[J]. 周兵,劉玉霞,楊欣欣,劉揚(yáng).  計(jì)算機(jī)科學(xué). 2018(09)
[10]遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)壓電陶瓷蠕變預(yù)測[J]. 范偉,林瑜陽,李鐘慎.  電機(jī)與控制學(xué)報(bào). 2018(07)

碩士論文
[1]基于顏色和紋理特征的圖像復(fù)雜度研究[D]. 王浩.長春理工大學(xué) 2018
[2]基于多視覺特征的圖像復(fù)雜度評(píng)價(jià)及應(yīng)用[D]. 殷昆燕.南京大學(xué) 2013



本文編號(hào)：3713464