论文目录 | |
| 致谢 | 第1-7页 |
| 摘要 | 第7-9页 |
| Abstract | 第9-17页 |
| 缩写、符号清单、术语表 | 第17-21页 |
| 1 绪论 | 第21-47页 |
| 1.1 概率推断的背景 | 第21-26页 |
| 1.2 选题目的与意义 | 第26-27页 |
| 1.3 研究现状分析 | 第27-44页 |
| 1.3.1 第一重分析:人眼视觉、主观评价和客观评价 | 第28-29页 |
| 1.3.2 第二重分析:概率推断视角下的客观评价与主观评价 | 第29-32页 |
| 1.3.3 第三重分析:概率推断视角下的客观评价与HVS | 第32-38页 |
| 1.3.4 第四重分析:概率推断视角下的主观评价与HVS | 第38-44页 |
| 1.4 本文的主要工作与组织结构 | 第44-47页 |
| 2 基于SVD的后验似然函数设计 | 第47-85页 |
| 2.1 引言 | 第47-48页 |
| 2.2 SVD数学基础 | 第48-49页 |
| 2.3 前期研究 | 第49-58页 |
| 2.3.1 SVD后验似然研究 | 第50-56页 |
| 2.3.2 SVD先验似然研究 | 第56页 |
| 2.3.3 基于SVD的HVS机制建模 | 第56-58页 |
| 2.4 算法设计 | 第58-75页 |
| 2.4.1 问题一: 奇异向量对图像质量的响应规律 | 第59-63页 |
| 2.4.2 问题二: HVS的方位敏感性如何影响基于奇异向量的后验似然函数 | 第63-66页 |
| 2.4.3 问题三:图像局部语义与质量感知的多尺度有何关联 | 第66-69页 |
| 2.4.4 算法总体框架 | 第69-75页 |
| 2.5 实验验证 | 第75-83页 |
| 2.5.1 默认参数设置 | 第75-76页 |
| 2.5.2 总体性能测试 | 第76-78页 |
| 2.5.3 失真类型性能测试 | 第78-82页 |
| 2.5.4 迁移学习性能测试 | 第82页 |
| 2.5.5 复杂度分析 | 第82-83页 |
| 2.6 小结 | 第83-85页 |
| 3 独立后验似然视觉质量评价 | 第85-99页 |
| 3.1 引言 | 第85-87页 |
| 3.2 独立后验似然模型设计 | 第87-91页 |
| 3.2.1 独立后验似然核心指标 | 第87-88页 |
| 3.2.2 独立后验似然正相关指标 | 第88-89页 |
| 3.2.3 独立后验似然计算效率指标 | 第89-91页 |
| 3.3 自然图像应用 | 第91-93页 |
| 3.4 医学影像应用 | 第93-98页 |
| 3.4.1 数据采集 | 第94页 |
| 3.4.2 主观评价 | 第94-97页 |
| 3.4.3 独立后验似然客观评价 | 第97-98页 |
| 3.5 小结 | 第98-99页 |
| 4 面向便携式眼底镜的先验似然图像质量评价 | 第99-125页 |
| 4.1 引言 | 第99-101页 |
| 4.2 数据采集与主观评价 | 第101-106页 |
| 4.2.1 数据采集 | 第101-103页 |
| 4.2.2 主观评价 | 第103-106页 |
| 4.3 HVS特性调制 | 第106-113页 |
| 4.3.1 亮度和颜色的阈值调制 | 第106-109页 |
| 4.3.2 可感知模糊调制 | 第109-111页 |
| 4.3.3 对比灵敏度调制 | 第111-113页 |
| 4.4 基于机器学习的先验似然函数设计 | 第113-117页 |
| 4.4.1 决策树 | 第113-116页 |
| 4.4.2 支持向量机 | 第116-117页 |
| 4.5 结果与讨论 | 第117-124页 |
| 4.5.1 二叉决策树先验似然模型评估 | 第117-119页 |
| 4.5.2 SVM先验似然模型评估 | 第119-120页 |
| 4.5.3 数据集泛化能力测试 | 第120-122页 |
| 4.5.4 抗噪声性能测试 | 第122页 |
| 4.5.5 传统眼底镜应用 | 第122-124页 |
| 4.6 小结 | 第124-125页 |
| 5 总结与展望 | 第125-129页 |
| 5.1 本文工作总结 | 第125-127页 |
| 5.2 未来工作展望 | 第127-129页 |
| 参考文献 | 第129-141页 |
| 附录A | 第141-143页 |
| 附录B | 第143-145页 |
| 附录C | 第145-149页 |
| 附录D | 第149-151页 |
| 附录E | 第151-153页 |
| 作者简历 | 第153-154页 |
