基于多通道卷积神经网络的立体图像质量评价

《基于多通道卷积神经网络的立体图像质量评价》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于多通道卷积神经网络的立体图像质量评价StereoscopicImageQualityAssessmentBasedOnMulti-ChannelConvolutionalNeuralNetwork学科专业：信息与通信工程作者姓名：段志成指导教师：李素梅副教授天津大学电气自动化与信息工程学院二零一七年十一月摘要随着成像技术的高速发展，如何高效且可靠地对立体图像的质量进行评估一直以来都是立体成像技术的关键问题之一。立体图像质量评价算法大体上被划分成主观评价及客观评价。其中主观评价是通过被测人员在特定的环境、特定的装置下观看立体图像后给出相应的质量分数，该方法费时费力且易受被测者

2、情绪及测试环境影响。而客观评价方法是通过相关算法来实现人眼评估，具有高效稳定的特点。论文在对立体图像质量评价相关理论知识、研究现状与发展趋势进行说明的基础上，基于深度学习中的卷积神经网络建立立体图像质量客观评价模型。深度学习方法较传统的机器学习方法更具有自主学习特征的优势，但受限于网络输入图像的尺寸大小。而单纯地对输入图像进行切块预处理可能会丢失一部分图像结构信息。针对切块处理造成信息丢失问题，论文将主成分分析与图像切块结合来预处理数据，并通过构建多通道卷积神经网络自动提取图像特征的方法完成立体图像质量的评价。该方法首先通过主成分分析和图像切块两种预处理方式得到不同尺寸的数据集

3、，其中主成分分析降维处理得到尺寸为2020的数据集，不同尺寸切块处理得到尺寸为3232,256256的图像块数据集；然后针对不同的数据集设计对应合适的通道结构，其中每个数据集对应两条相同网络结构的通道，最后将三个数据集对应的六条通道组合构建多通道卷积神经网络模型，使得评价系统具有较高的识别精度，而且具有更好的稳定性。论文实验采用天津大学无线宽带通信和立体成像研究所提供的400幅不同质量等级的立体图像，并对其处理扩充为800幅。从中挑选出合适的400幅作为训练数据集，其余400幅作为测试数据集。实验结果表明，采用主成分分析和切块处理的数据集，送入多通道卷积神经网络模型提取立

4、体图像特征并进行分类，构建的网络模型对测试数据集的分类准确率达到97.25%。此外，本文还比较了不同网络结构、不同激活函数及一些优化方法（dropout、LRN）等对网络模型的影响，并且将提出的模型与ELM、SVM在立体图像质量评价上的性能进行了比较。最后在立体LIVE数据库上验证建模方法的稳定性，其皮尔森线性相关系达到为0.9505。关键词：质量评价，立体图像，深度学习，卷积神经网络，主成分分析IABSTRACTWiththerapiddevelopmentofimagingtechnology,howtoevaluatethequalityofstereoscopicima

5、gesefficientlyandreliablyhasalwaysbeenoneofthekeyissuesofstereoimagingtechnology.Thestereoimagequalityassessmentalgorithmisgenerallydividedintosubjectiveevaluationandobjectiveevaluation.Thesubjectiveassessmentmethodistheprocessthattestersgivethestereoscopicimagescorebytheirsubjectivefeelings

6、.thismethodistime-consumingandlaborious,anditiseasilyaffectedbytheemotionoftestersandtestenvironment.Theobjectiveevaluationmethodistoachievetheevaluationofthequalityofstereoscopicimagesthroughrelatedalgorithms,andhasthecharacteristicsofhighefficiencyandstability.Thispaperintroducesstereoscop

7、icimagequalityassessmenttheory,researchstatusanddevelopmenttrend,andproposesobjectiveevaluationmodelofstereoimagequalitybasedonconvolutionalneuralnetwork.Deeplearningmethodhasmoreadvantagesthansometraditionalmachinelearningmethods,butitislimitedtot