基于视频模糊质量的评价(三)

写在前面:自己已经连载了两篇相关的博客了,相关前面的内容,可以查看我之前所发的博客。最后说句话:光是希望,请传递下去!

2.3 梯度

这里引入的是一个博主所用到的方法,具体的网站可以在此访问。下面的内容,可以配合这个网站的内容一起看会好点。在博主探讨失焦的检测中,其中就是清晰度的检测,这个检测的方程很特殊(我没有找到相关的来历)。前一个方程式很像一个标准差,后一个方程式很像SMD(灰度方差)函数。这个组合我也很纳闷,作者是通过大量的测试得出判断的阈值的。这里我就不再赘述了。关于方差我后面还会讲到一个SMD2函数。

2.4 模糊熵

本来想讲的,后来在知网上一搜,关于图像模糊熵的应用并没有在评价上,所以我放弃了这一个“假”的评价方法。(具体真的有没有用,我不敢说,毕竟小白。)由于时间问题我就没有再研究模糊熵这个概念了,有兴趣可以去探究一下,这里有它的公理化定义等。你还有可以从这里获取其matlab代码。

2.5 论文提到的方法

2.5.1 视频监控中图像异常的分析与检测算法
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
基于神经网络的模糊评价模型(Neural Network Fuzzy Evaluation Model)是一种结合了模糊理论和神经网络技术的评价模型。该模型可以应用于各种评价问题,如质量评价、风险评估、绩效评估等。 该模型的基本思想是将模糊集合的隶属度函数作为输入,通过神经网络对其进行训练,从而得到一个评价函数。评价函数的输出值可以用来表示被评价对象的质量、风险等级或绩效等级。该模型的优点是可以对复杂的评价问题进行建模,并且可以通过神经网络的学习能力自适应地调整模型参数,提高评价效果。 具体来说,基于神经网络的模糊评价模型包含以下步骤: 1. 确定评价指标和评价等级。评价指标是用来评价评价对象的各个方面的指标,评价等级是用来表示评价结果的等级。 2. 建立模糊集合和隶属度函数。根据评价指标和评价等级,建立相应的模糊集合和隶属度函数。模糊集合可以将评价指标和评价等级转化为模糊概念,隶属度函数可以对模糊概念进行量化。 3. 确定神经网络结构和参数。根据评价指标和评价等级的数量,确定神经网络的输入层和输出层的节点数。同时,确定神经网络的隐层节点数、激活函数、学习率等参数。 4. 进行样本数据的训练。根据已知的样本数据,采用反向传播算法对神经网络进行训练。训练的目标是通过学习样本数据,得到一个评价函数,使得评价结果与真实值的误差最小。 5. 进行评价预测。将未知的评价指标输入神经网络,通过评价函数得到评价结果。 6. 进行模型评价和调整。对模型的评价结果进行分析和比较,调整参数和结构,提高模型的预测精度和适用性。 基于神经网络的模糊评价模型是一种比较复杂的评价模型,需要对神经网络和模糊理论有一定的了解。但是,该模型在实际应用中具有很大的优势,可以对复杂的评价问题进行建模,并且可以通过神经网络的自适应学习能力提高评价精度。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值