集成学习及其在图像质量评价中的应用研究

发布时间：2022-07-04 19:38

　　集成学习作为机器学习的研究热点,能够提高学习器的泛化性能,集成学习的基本理论、算法以及应用场合越来越成为众多机器学习学者的研究重点。本文对集成学习在回归应用中的数据扰动问题、个体学习器的生成和预测结果组合等方面做了深入的研究和分析。为了将研究成果更好的呈现,选择以图像质量评价为载体,全面分析、实现了集成学习算法在图像质量评价中的应用。概括起来,本文的主要内容安排如下:（1）结合集成Ada Boost思想与Bagging思想,提出了集成随机森林算法。集成随机森林在AdaBoost框架下将随机森林作为基学习器,将Ada Boost思想与Bagging思想在同一个算法中结合,既保证了学习器之间的差异性又保证了集成算法预测图像质量得分的准确性。将图像的感知特征作为实验数据,预测LIVEMD图像库和MDID2013图像库中的失真图像的质量分数。实验结果表明,该算法不仅能够提高个体学习器的差异度,同时还增强了图像质量评价模型的准确度和泛化能力,与其他的图像质量评价算法相比有一定优势,更加接近人类的感官感受。（2）在集成随机森林算法的基础上,结合旋转森林（Rotation Forest）扰动思想,提... 

【文章页数】：65 页

【学位级别】：硕士

【部分图文】：

LIVEMD图像数据库部分参考图像

ROF-AdaBoostRF算法在MDID2013图像库上主客观散点图

人类视觉系统示意图

【参考文献】：
期刊论文
[1]基于多元变量组合的回归支持向量机集成模型及其应用[J]. 崔东文.  水利水运工程学报. 2014(02)
[2]结合Rotation Forest和MultiBoost的SVM集成方法[J]. 姚旭,王晓丹,张玉玺,毕凯.  计算机科学. 2013(03)
[3]一种平面图像立体化的新方法[J]. 侯春萍,俞斯乐.  电子学报. 2002(12)

硕士论文
[1]人类视觉感知双目融合的立体图像质量评价方法研究[D]. 王刚.江南大学 2016



本文编号：3655798