基于学习的超分辨率重建图像质量评价方法

发布时间：2024-01-28 15:47

　　图像超分辨率一直是图像处理方向研究的热点问题,它被广泛地应用于多个领域,包括视频监控,医疗图像等等。过去三十年来,有许多关于超分辨率重建算法的研究,而针对如何评价超分辨率重建图像的质量的研究仍较少。现有的一些质量评价方法例如峰值信噪比、结构相似度,仍作为超分辨率重建算法性能的衡量指标,但是研究证明这些评价方法并不能够很好地反映人眼对超分辨率重建图像的视觉感知效果,因此需要合适的评价方法来衡量超分辨率重建算法的性能,本文针对超分辨率重建图像的视觉质量的评估问题,提出了基于学习的超分辨率重建图像质量评价方法,其主要研究内容如下:1.针对超分辨率重建图像的质量评价问题,提出了一种基于机器学习的单帧图像超分辨率(Single-Image Super-Resolution,SISR)部分参考图像质量评价方法。该方法利用log-Gabor滤波器和亮度归一化,结合了人眼视觉的多通道效应,分别提取低分辨率图像和超分辨率重建图像的频域和空域特征,再利用两阶段的回归模型,得到超分辨率重建图像预测的质量分数。实验结果表明,与现有的评价方法相比较,所提出的评价算法有较好的评价结果。2.由于人工提取特征可能不能...

【文章页数】：64 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 超分辨率重建方法
        1.2.2 图像质量评价
        1.2.3 超分辨率重建图像质量评价
    1.3 本文的主要工作和创新点
    1.4 本文的结构安排
第2章 相关基础知识
    2.1 图像超分辨率重建方法
    2.2 机器学习
        2.2.1 神经网络
        2.2.2 决策树
    2.3 图像质量评价方法
    2.4 图像质量评价数据库
    2.5 质量评价算法性能衡量准则
    2.6 本章小结
第3章 基于机器学习的SISR部分参考图像质量评价算法
    3.1 引言
    3.2 基于机器学习的SISR部分参考质量评价方法
        3.2.1 评价方法系统框图
        3.2.2 对数Gabor滤波器响应
        3.2.3 空域特征提取
        3.2.4 特征回归学习
    3.3 实验结果与分析
        3.3.1 实验设置
        3.3.2 实验结果
    3.4 本章小结
第4章 基于卷积神经网络的SISR部分参考图像质量评价算法
    4.1 引言
    4.2 基于卷积神经网络的SISR部分参考质量评价方法
        4.2.1 网络结构
        4.2.2 学习过程
        4.2.3 数据处理
        4.2.4 图像块标签设置
    4.3 实验结果与分析
        4.3.1 实验设置
        4.3.2 实验结果
    4.4 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录1 攻读硕士学位期间发表的论文
附录2 攻读硕士学位期间参加的科研项目



本文编号：3887710