学位论文 > 优秀研究生学位论文题录展示

ICA和BT-SVM在立体图像质量评价系统中的应用

作　者: 程金翠
导　师: 李素梅; 曹玉良
学　校: 天津大学
专　业: 电子与通信工程
关键词: 立体图像支持向量机独立分量分析质量客观评价
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 1次
引　用: 0次
阅　读: 论文下载

内容摘要

目前，3D成像技术在商业、科研和医疗等领域拥有强大的应用前景，已成为当今信息处理领域研究的热点问题之一。但是，随着3D技术的发展和应用，它的缺点和不足也逐渐呈现出来。比如，当人们长时间观看3D电影时会出现眼睛酸痛、头晕、恶心等不舒适的感觉。正是这种不舒适阻碍着3D技术的发展和应用。因此，迫切需要一种能够对立体成像技术的各个方面进行评价的标准。鉴于此，本文主要研究设计了一套具有自适应评估能力的立体图像质量评价系统。该系统的研究为3D成像技术的发展及其应用提供了一种合理的技术方案。论文在充分介绍立体图像质量评价系统的研究意义、发展现状、人眼视觉特性及立体成像相关技术的基础上，针对目前立体图像质量评价方法存在的问题，提出采用基于统计学习理论的支持向量机（Support Vector Machine, SVM）方法对立体图像的质量等级进行判断。由于立体图像较平面图像的数据量成几倍的增加，因此本文首先采用主成分(Principle Component Analysis, PCA)和独立成分分析(Independent Component Analysis, ICA)方法对立体图像进行数据预处理，降低了立体图像的数据冗余度，得到了立体图像的独立基特征空间；然后将数据投影到高维特征空间，采用二叉树支持向量机(Binary Tree Support Vector Machine,BT-SVM)方法对立体图像质量等级进行分类。由于传统SVM分类方法只解决二分类问题，为了增加系统对立体图像质量等级识别的精度，提出采用可分性度量方法来确定BT-SVM的结构。实验针对300幅立体图像进行分析，其中100幅为训练样本，200幅为测试样本，采用基于可分性度量的BT-SVM方法得到了92.5%的正确识别率。为了验证本文方法的性能，提出直接采用BT-SVM和采用10位和15位纠错编码支持向量机（Error Correcting Codes Support Vector Machine，ECC-SVM）对同样的数据进行实验，直接采用BT-SVM的方法得到了90.5%正确识别率，采用10位和15位ECC-SVM系统分别得到86.5%、92%的正确识别率。实验结果表明，本文方法能够较好地体现立体图像的主观质量，较直接采用BT-SVM的系统和ECC-SVM的系统能更好地接近主观评价，具有更好的泛化性能，并且空间和时间复杂度都较低。因此本文方法为立体图像的质量评价提供了更好的技术参考。

全文目录

摘要  3-4
ABSTRACT  4-7
第一章绪论  7-13
  1.1 研究目及意义  7-8
  1.2 国内外研究现状分析  8-11
  1.3 论文主要工作  11
  1.4 论文的组织结构  11-13
第二章人眼视觉与立体成像技术  13-22
  2.1 视感知的物理结构  13-15
  2.2 人眼立体视觉  15-17
    2.2.1 双目立体视觉  15-16
    2.2.2 单目立体视觉  16-17
  2.3 立体图像成像原理  17-18
  2.4 立体图像显示技术  18-21
    2.4.1 色分法立体显示  19-20
    2.4.2 光分法立体显示  20
    2.4.3 时分立体显示  20-21
    2.4.4 裸眼 3D 技术  21
  2.5 小结  21-22
第三章相关技术介绍  22-38
  3.1 SVM  22-27
    3.1.1 SVM 的发展和基本思想  22-23
    3.1.2 SVM 理论  23-27
  3.2 BT-SVM  27-30
  3.3 特征空间的类间可分性  30-32
    3.3.1 类间可分性标准  30-31
    3.3.2 基于核函数映射的类间可分性判定标准  31-32
  3.4 根据类间可分性生成二叉树结构  32-33
  3.5 独立分量分析算法  33-37
    3.5.1 ICA 算法与人类视觉  34-35
    3.5.2 ICA 模型  35-36
    3.5.3 峰度  36-37
    3.5.4 基于峰度目标函数的 ICA  37
  3.6 小结  37-38
第四章立体图像质量客观评价方法  38-42
  4.1 特征空间的提取及图像在特征空间的表示  38-39
  4.2 系统结构的确定  39-41
    4.2.1 训练集合在特征空间的表示  40
    4.2.2 计算训练样本类间可分性  40
    4.2.3 确定系统结构及测试  40-41
  4.3 小结  41-42
第五章系统仿真和结果分析  42-53
  5.1 实验素材  42-43
  5.2 实验步骤  43-47
    5.2.1 预处理  44
    5.2.2 特征空间的提取  44-45
    5.2.3 训练 BT-SVM 多分类系统  45-46
    5.2.4 BT-SVM 系统测试  46-47
  5.3 实验结果与分析  47-52
  5.4 小结  52-53
第六章总结与展望  53-54
  6.1 总结  53
  6.2 展望  53-54
参考文献  54-59
发表论文和参加科研情况说明  59-60
致谢  60

ICA和BT-SVM在立体图像质量评价系统中的应用

内容摘要

全文目录

相似论文