基于卷积神经网络的无参考图像质量评价方法研究

发布时间：2024-05-15 06:15

　　随着多媒体、网络与信息化技术的不断进步,各类智能终端设备的迅速普及,大规模的数字图像被广泛应用于信息通信、公共安全、生物医学、工业生产等诸多领域并发挥着重要作用。数字图像能够记录和传递有用信息,其质量的高低对应用价值影响巨大。因此,研究可靠的客观图像质量评价方法,有效监测和衡量图像质量的变化对于数字图像的研究和应用均有重要意义。无参考图像质量评价方法在不需要依赖参考图像的情况下,根据失真图像的特征独立衡量其质量。本文结合深度学习技术,针对无参考图像质量评价方法进行了以下研究和探索。针对现有的基于深度学习的方法通常考虑提取图像空间域特征,而忽略了其他域特征这一问题,提出一种基于双通道卷积神经网络的图像质量评价方法。利用梯度图像能够捕捉到失真导致的边缘变化,该方法构建两个CNN分支网络分别从图像空间域和梯度域中提取特征,并将其融合在一个端到端的框架中用于评估图像质量。通过在两个数据库上的实验验证,从图像梯度域提取的特征能够作为空间域特征的有效补充,更加丰富的图像特征有利于提升无参考图像质量评价方法的性能。已有的研究表明,图像失真时通常会使其视觉显著性区域产生变化,从而影响人类对图像质量的视...

【文章页数】：56 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 课题研究背景及意义
    1.2 国内外研究现状
        1.2.1 主观图像质量评价
        1.2.2 客观图像质量评价
    1.3 研究内容和论文组织结构
        1.3.1 本文的研究内容
        1.3.2 本文的组织结构
2 相关理论知识概述
    2.1 深度学习原理介绍
        2.1.1 神经网络
        2.1.2 卷积神经网络
    2.2 经典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 方法性能度量指标
    2.4 本章小结
3 基于双通道卷积神经网络的无参考图像质量评价方法
    3.1 梯度域图像预处理
    3.2 模型构建
    3.3 整体算法
    3.4 实验结果与分析
        3.4.1 图像质量评价数据库
        3.4.2 实验方法
        3.4.3 对比实验
        3.4.4 性能比较
    3.5 本章小结
4 基于视觉显著性的无参考图像质量评价方法
    4.1 视觉显著图生成原理
    4.2 模型构建
    4.3 整体算法
    4.4 实验结果与分析
        4.4.1 实验方法
        4.4.2 性能比较
        4.4.3 对比实验
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献



本文编号：3974028