基于深度极限学习机的立体图像质量客观评价

摘要

随着立体成像技术的不断进步，如何准确并稳定地评估立体图像质量是立体成像技术领域的关键问题之一。立体图像质量评价方法主要分为主观评价和客观评价。主观评价由测试人员根据主观感受为待测立体图像评分，这种方式虽然能够得到真实准确的图像评价结果，但其过程费时费力，且易受被试者的情绪影响。因而建立准确且稳定的立体图像质量客观评价模型具有十分重要的意义。
　　论文在对立体图像质量评价相关理论知识、研究现状及发展趋势进行介绍的基础上，提出采用深度学习特征提取方式和极限学习机分类方法建立立体图像质量客观评价模型。极限学习机网络具有较其它同类神经网络训练速度快、泛化能力强的特点，但其输入权重和阈值的随机选取会导致分类准确率的不稳定，因此论文利用遗传算法对极限学习机的初始参数进行优化，以提升网络分类性能的稳定性。针对原始立体图像复杂度高，传统特征提取方式依赖于先验知识，单隐层网络分类准确率低、稳定性差等特点，论文提出采用深度学习的稀疏自动编码器进行图像特征的提取。该方法通过深度学习预训练自动逐层表达输入数据的分布式特征，使评价系统不仅具有较高的分类正确率，而且具有更好的稳定性。
　　论文实验选取了400幅覆盖不同质量等级的立体图像，其中150幅为训练样本，其余为测试样本。实验结果表明，采用遗传算法进行网络初始参数的优化后， ELM网络分类准确率达到95.93％，较未经优化网络的最高准确率约高出2.1%。而采用深度学习进行特征提取后的极限学习机网络更加稳定高效，对于250幅不同质量的立体图像样本进行测试后的准确率达到了96.11%，并且网络的稳定性也有较大提升。此外，本文还分析了隐节点数对网络的影响，并且将提出的算法与极限学习机、支持向量机等在立体图像质量评价上的性能进行了比较。

目录

声明

第1章 绪论

1.1 课题背景和研究意义

1.2 国内外研究现状及发展趋势

1.3 本文的主要工作及结构安排

第2章 立体视觉系统介绍

2.1 人类立体视觉系统的基础理论

2.2 立体视觉的基础知识

2.3 影响立体图像质量评价的其他因素

2.4 本章小结

第3章 神经网络及优化算法

3.1 人工神经网络介绍

3.2 支持向量机

3.3 极限学习机算法

3.4 深度学习

3.5 遗传算法

3.6 本章小结

第4章 基于深度学习和极限学习机的立体图像质量评价

4.1 立体图像质量评价系统架构

4.2 图像特征提取方式

4.3 立体图像质量的评价网络

4.4 本章小结

第5章 实验与结果分析

5.1 实验素材的选取

5.2 实验方法

5.3 初始网络参数的选择

5.4 实验结果与分析

5.5 本章小结

第6章 总结与展望

6.1 总结

6.2 展望

参考文献

发表论文和参加科研情况说明

致谢